L'IA interprétable dans la découverte de nouveaux matériaux : comprendre comment les modèles établissent leurs prévisions

Ces dernières années, l'intelligence artificielle (IA) s'est imposée comme un outil puissant pour prédire le comportement des matériaux en fonction de leur structure atomique, aidant les chercheurs à découvrir plus rapidement de nouveaux matériaux et à réduire leur dépendance aux méthodes d'essais et d'erreurs. Cependant, bon nombre de ces modèles fonctionnent comme des « boîtes noires ». Ils peuvent faire des prédictions précises, mais ils n'expliquent pas comment ces prédictions sont faites. Cela rend difficile la compréhension des relations entre la structure d'un matériau et ses propriétés, limitant ainsi l'utilité de ces modèles pour guider le développement de nouvelles conceptions.

Aujourd’hui, dans le cadre d’une étude, des chercheurs de l’Institute of Science Tokyo (Science Tokyo), au Japon, ont mis au point une méthode pour rendre ces modèles plus interprétables. Leur approche consiste à analyser un modèle d'IA entraîné et à en extraire les caractéristiques clés qu'il a apprises concernant la relation entre la structure cristalline et les spectres optiques. À l'aide de ces caractéristiques, les chercheurs ont ensuite regroupé les matériaux présentant des spectres optiques et des caractéristiques structurelles similaires.

L'étude a été dirigée par le professeur adjoint Akira Takahashi, le professeur Fumiyasu Oba (également chef de projet au KISTEC, au Japon), et par Arata Takamatsu, étudiant en master (au moment de la recherche) au Laboratoire des matériaux et des structures de Science Tokyo, en collaboration avec le professeur Yu Kumagai de l'Institut de recherche sur les matériaux de l'université de Tohoku, au Japon.

« La méthode de classification que nous proposons permet de comprendre en détail comment les modèles de prédiction basés sur l'IA établissent leurs prévisions, à savoir en extrayant les facteurs clés déterminant les formes spectrales souhaitées, et fournit ainsi des informations physiques et chimiques utiles pour la conception des matériaux », explique M. Takahashi.

Les propriétés des matériaux dépendent souvent de certains paramètres et sont décrites à l'aide de données spectrales — par exemple, les spectres d'absorption optique qui capturent la manière dont la lumière interagit avec le matériau à différentes longueurs d'onde. Comparées aux propriétés représentées par un seul chiffre, les données spectrales sont bien plus riches et complexes, ce qui rend leur interprétation difficile à l'aide des méthodes d'IA conventionnelles.

Les chercheurs ont utilisé un réseau neuronal atomistique à graphes linéaires (ALIGNN), une architecture de réseau neuronal à graphes existante, entraîné à prédire les spectres d’absorption optique à partir de la structure atomique en utilisant les données de 2 681 oxydes métalliques, chalcogénures et composés apparentés. À partir du modèle entraîné, ils ont extrait des caractéristiques de ses couches internes et appliqué un regroupement hiérarchique, une méthode qui regroupe les éléments en fonction de leur similarité. Cela leur a permis de classer les matériaux en groupes distincts partageant à la fois des caractéristiques structurelles, telles que la composition élémentaire, la coordination atomique, les longueurs de liaison et les angles de liaison, et des formes spectrales similaires.

Il est à noter que le modèle a appris ces schémas à partir de la seule structure atomique, sans qu'on lui fournisse en entrée les états d'oxydation ou les configurations électroniques, ce qui indique qu'il avait capturé en interne des relations significatives entre la structure et les propriétés.

Les propriétés optiques jouent un rôle clé dans de nombreuses applications. Elles influencent l'apparence d'un matériau, ce qui est important pour les pigments et les colorants, et déterminent la manière dont il interagit avec la lumière dans des dispositifs tels que les cellules solaires et les photodétecteurs. Comprendre quelles espèces élémentaires et quelles caractéristiques structurelles façonnent ces spectres est donc essentiel pour établir des lignes directrices de conception rationnelles pour ces matériaux.

De plus, cette approche ne se limite pas aux spectres optiques : elle peut être étendue pour déterminer comment la structure d'un matériau influence son comportement dans différentes conditions, telles que la température ou la pression, ouvrant ainsi de nouvelles possibilités pour la conception de matériaux dotés de propriétés spécifiques et utiles. Comme démontré ici pour l'absorption optique, cette approche peut s'appliquer à toute une gamme de propriétés spectrales, permettant aux chercheurs d'identifier les facteurs communs à différents matériaux et d'en déduire les origines des caractéristiques spectrales souhaitées.

« Il a été difficile d’interpréter ce que les modèles d’apprentissage automatique ont appris sur les propriétés spectrales. Dans ce travail, nous avons développé une méthode générale pour extraire ces informations, qui, selon nous, s’avérera très utile pour la recherche sur les matériaux », conclut Takahashi.