Une nouvelle méthode d'IA permet de saisir les interactions atomiques à longue portée dans les molécules complexes
Google DeepMind, BIFOLD et TU Berlin s'attaquent à un goulot d'étranglement dans la simulation atomistique
Annonces
Des chercheurs de Google DeepMind à Berlin, de BIFOLD et de l'Université technique de Berlin ont présenté une nouvelle méthode d'apprentissage automatique qui permet de représenter plus efficacement les interactions atomiques globales dans les systèmes chimiques. Cela pourrait permettre de simuler plus précisément les processus chimiques et de science des matériaux à l'avenir, ce qui pourrait accélérer le développement de nouveaux médicaments, de batteries plus efficaces et de matériaux plus durables. Les travaux, intitulés "Machine Learning Global Atomic Representations with Euclidean Fast Attention", ont été publiés dans Nature Machine Intelligence en mars 2026.
Pour comprendre exactement comment, par exemple, un médicament agit, les scientifiques doivent calculer avec précision comment les atomes des molécules se déplacent et interagissent les uns avec les autres. Ces simulations sont à la base du développement des médicaments modernes, ainsi que de la conception de nouveaux matériaux et de catalyseurs plus efficaces. Cependant, de nombreuses méthodes de calcul atteignent leurs limites lorsqu'il s'agit de grosses molécules contenant des centaines ou des milliers d'atomes, en raison de leur complexité. La modélisation des systèmes atomistiques est un défi car chaque atome subit simultanément les forces de nombreux autres atomes, y compris ceux qui sont très éloignés, et pas seulement celles de ses voisins immédiats. Il en résulte un système à corps multiples extrêmement complexe dans lequel même de petites modifications à un endroit peuvent affecter le comportement de l'ensemble du système.
La nouvelle représentation de ces interactions est appelée attention rapide euclidienne (AFE)
Un rôle central dans ce processus est joué par un concept fondamental de l'apprentissage automatique moderne, connu sous le nom d'auto-attention. Ce concept permet aux modèles d'évaluer l'importance d'éléments d'information individuels dans le contexte de toutes les autres informations, saisissant ainsi les relations à long terme. Cependant, lorsque le nombre d'atomes augmente, le nombre d'interactions pertinentes croît approximativement avec le carré du nombre d'atomes. Cela rend l'utilisation de l'auto-attention pour la modélisation précise des systèmes physiques extrêmement coûteuse sur le plan informatique et limite la taille des structures atomistiques qui peuvent être simulées.
C'est précisément là que la nouvelle méthode de l'équipe de recherche entre en jeu. Les scientifiques ont mis au point une nouvelle représentation de ces interactions, à échelle linéaire, appelée Euclidean Fast Attention (EFA). Cette représentation a été spécialement conçue pour les données dans l'espace euclidien, où les règles de la géométrie classique s'appliquent, par exemple les atomes dans les molécules et les matériaux, dont les positions et orientations relatives sont cruciales pour des prédictions précises. Un aspect essentiel de l'approche est que les informations spatiales peuvent être représentées efficacement sans violer d'importantes symétries physiques. Dans leurs expériences, les chercheurs montrent que l'AFE capture efficacement différents effets à longue portée et peut décrire des interactions chimiques pour lesquelles les champs de force conventionnels d'apprentissage automatique peuvent produire des résultats incorrects. Il est ainsi possible de saisir de manière fiable les interactions sur de grandes distances, tout en exigeant un effort de calcul comparativement faible.
"Notre approche permet de franchir une nouvelle étape importante vers une modélisation plus précise sur le plan de la mécanique quantique des systèmes à corps multiples à l'aide de nouvelles méthodes d'apprentissage profond", explique le professeur Klaus-Robert Müller, codirecteur de BIFOLD et professeur à l'Université technique de Berlin.
Le travail aborde donc une question clé dans la modélisation des systèmes à nombreux corps en chimie et en physique : comment intégrer des informations structurelles globales dans les modèles atomistiques sans sacrifier l'efficacité de calcul requise pour les grands systèmes ? La méthode étant spécifiquement conçue pour fonctionner efficacement avec de grosses molécules, elle pourra également être appliquée à l'avenir à des systèmes particulièrement exigeants, tels que des matériaux complexes ou de grande taille. Les auteurs considèrent l'AFE comme une approche prometteuse pour rendre les méthodes d'apprentissage automatique plus robustes et plus efficaces pour les simulations difficiles en chimie et en science des matériaux.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
