Dans l'idéal, un spécialiste des matériaux décrirait la propriété recherchée, par exemple un électrolyte de batterie bon conducteur du lithium, et un modèle d'IA lui proposerait des cristaux adaptés. Les modèles de langage actuels s'y prennent mal, et une équipe du MIT estime que la cause tient aux données. Les matériaux sont des arrangements d'atomes en 3D, pas du texte, et la littérature publiée ne couvre qu'une poignée de classes de cristaux populaires, si bien que les modèles entraînés sur des articles penchent vers ce qui a déjà été étudié.
L'équipe, menée par Ju Li avec Yang Jeong Park comme premier auteur et des collègues dont Elsa Olivetti, a conçu un modèle qui relie directement structures cristallines et langage. Grâce à l'apprentissage contrastif, qui apprend à un modèle à rapprocher les exemples concordants et à séparer les autres, il aligne des structures atomiques en 3D sur des descriptions textuelles, comme les modèles d'images alignent photos et légendes. Le point décisif a été le texte d'entraînement. Plutôt que de se limiter aux articles, les chercheurs ont généré des descriptions de structures issues de la littérature et de bases de données de calculs ab initio, couvrant composition, structure, propriétés, mise en œuvre et usages possibles. Une version entraînée sur ces descriptions synthétiques a appris à aligner géométrie et texte ; une autre, entraînée sur le seul texte des articles, n'y est pas parvenue.
Le bénéfice est la recherche par description. À partir d'une requête en langage courant sur une propriété, le modèle a renvoyé des matériaux cristallins dotés de cette propriété et a battu une référence. Interrogé sur des électrolytes pour batteries lithium-ion à l'état solide, il a placé en tête des matériaux que d'autres avaient déjà jugés prometteurs. Li compare l'ambition à AlphaFold, qui a relié structure et fonction des protéines, et les travaux sont publiés dans Nature Communications.
Pour les chercheurs, l'idée compte parce que les cristaux représentent plus de 90 % des matériaux solides sur Terre, et que les bases de données de calcul contiennent déjà bien plus de structures candidates qu'on n'en a jamais décrit par écrit. Un outil capable de lire ces structures et de répondre en langage courant rendrait ce gisement de données plus facile à exploiter, aux côtés des modèles à base de graphes qui proposent déjà de nouveaux cristaux.
Les preuves restent minces pour un usage pratique. L'article du MIT ne donne aucun chiffre de performance, ne nomme pas la référence et n'indique pas combien de candidats ont été vérifiés. Retrouver des matériaux déjà connus des experts montre que la recherche fonctionne ; cela ne montre pas que le modèle peut en trouver de nouveaux, qui est le vrai test. Les descriptions d'entraînement sont elles-mêmes générées par IA, et leurs erreurs pourraient passer dans le modèle. Des tests indépendants sur des matériaux hors des données d'entraînement diront s'il s'agit du saut qu'espèrent ses auteurs.