L’IA s’attaque à l’un des défis les plus difficiles de la chimie quantique

Une nouvelle recherche utilisant les réseaux neuronaux, une forme d’IA inspirée du cerveau, propose une solution au défi difficile de la modélisation des états des molécules.

Les recherches montrent que cette technique peut aider à résoudre des équations fondamentales dans des systèmes moléculaires complexes. Elle pourrait déboucher sur des applications pratiques à l’avenir, en aidant les chercheurs à prototyper de nouveaux matériaux et de nouvelles synthèses chimiques à l’aide de la simulation par ordinateur avant d’essayer de les fabriquer en laboratoire.

Menée par des scientifiques de l’Imperial College de Londres et de Google DeepMind, l’étude est publiée dans Science.

Molécules excitées

L’équipe a étudié le problème de la compréhension de la transition des molécules vers et depuis des états excités. Lorsque les molécules et les matériaux sont stimulés par une grande quantité d’énergie, par exemple en étant exposés à la lumière ou à des températures élevées, leurs électrons peuvent être propulsés dans une nouvelle configuration temporaire, appelée état excité.

La quantité exacte d’énergie absorbée et libérée lors de la transition des molécules entre les états crée une empreinte digitale unique pour différentes molécules et matériaux. Cela affecte les performances de technologies allant des panneaux solaires et LED aux semi-conducteurs et photocatalyseurs. Elle joue également un rôle essentiel dans les processus biologiques impliquant la lumière, notamment la photosynthèse et la vision.

Cependant, cette empreinte digitale est extrêmement difficile à modéliser car les électrons excités sont de nature quantique, ce qui signifie que leurs positions dans les molécules ne sont jamais certaines et ne peuvent être exprimées que sous forme de probabilités.

Le Dr David Pfau, chercheur principal de Google DeepMind et du département de physique de l’Imperial College, a déclaré : « Représenter l’état d’un système quantique est un défi de taille. Une probabilité doit être attribuée à chaque configuration possible de positions électroniques.

« L’espace de toutes les configurations possibles est énorme. Si vous essayiez de le représenter sous la forme d’une grille avec 100 points le long de chaque dimension, alors le nombre de configurations électroniques possibles pour l’atome de silicium serait plus grand que le nombre d’atomes dans l’univers. C’est exactement là que nous avons pensé que les réseaux neuronaux profonds pourraient être utiles. »

Réseaux neuronaux

Les chercheurs ont développé une nouvelle approche mathématique et l’ont utilisée avec un réseau neuronal appelé FermiNet (Fermionic Neural Network), qui a été le premier exemple où l’apprentissage profond a été utilisé pour calculer l’énergie des atomes et des molécules à partir de principes fondamentaux suffisamment précis pour être utile.

L’équipe a testé sa méthode avec une série d’exemples et a obtenu des résultats prometteurs. Sur une petite molécule complexe appelée dimère de carbone, ils ont obtenu une erreur absolue moyenne (MAE) de 4 meV (milliélectronvolt, une minuscule mesure de l’énergie), ce qui est cinq fois plus proche des résultats expérimentaux que les méthodes de référence précédentes atteignant 20 meV.

Le Dr Pfau a déclaré : « Nous avons testé notre méthode sur certains des systèmes les plus difficiles de la chimie computationnelle, où deux électrons sont excités simultanément, et nous avons constaté que nous étions à environ 0,1 eV des calculs les plus exigeants et les plus complexes réalisés à ce jour.

« Aujourd’hui, nous rendons nos derniers travaux open source et espérons que la communauté des chercheurs s’appuiera sur nos méthodes pour explorer les façons inattendues dont la matière interagit avec la lumière. »