上海交大团队发布CGformer：破解AI材料设计“近视难题”，推动研发进入“天级”加速时代

La recherche menée par l’équipe du professeur Li Jinjin du laboratoire AIMS-Lab (Artificial Intelligence and Microstructure Lab) de l’Université de Shanghai Jiao Tong a abouti au développement d’un nouvel algorithme d’intelligence artificielle dédié à la conception de matériaux : CGformer. Ce progrès marque une avancée significative dans le domaine de la science des matériaux, où les méthodes traditionnelles reposent sur des cycles d’essais et d’erreurs longs, coûteux et souvent inefficaces, pouvant durer des années voire des décennies. L’IA, grâce à sa capacité de traitement massif des données et de prédiction rapide, promet de réduire ces délais de recherche à quelques jours. Toutefois, une limitation majeure persiste : la plupart des modèles d’IA actuels souffrent d’un défaut fondamental que Li Jinjin qualifie de « myopie » — ils ne parviennent pas à capter les interactions à longue portée au sein des structures cristallines, essentielles pour prédire des propriétés macroscopiques critiques comme la conductivité ionique dans les batteries. Les modèles courants, tels que le CGCNN (Crystal Graph Convolutional Neural Network), analysent les matériaux en ne considérant que les voisins immédiats de chaque atome. C’est comme regarder une grande peinture en collant son visage sur une petite section : on perçoit les détails locaux, mais on manque la vision d’ensemble. Or, des phénomènes comme le transport d’ions dépendent de corrélations à distance, invisibles aux modèles locaux. Pour surmonter cette limite, l’équipe a conçu CGformer, un algorithme qui fusionne deux paradigmes puissants : la représentation graphique des structures cristallines (typique des réseaux de neurones graphiques) et le mécanisme d’attention globale issu des architectures Transformer, déjà révolutionnaires dans le traitement du langage naturel. Grâce à cette intégration, chaque atome peut échanger des informations en une seule étape avec tous les autres atomes du réseau, indépendamment de leur distance. C’est une véritable « communication holographique » au sein du cristal, remplaçant les échanges limités entre voisins par une vue d’ensemble instantanée. Le défi technique majeur a été de rendre ce mécanisme d’attention sensible aux lois physiques du cristal. Pour cela, l’équipe a introduit plusieurs codes physiques innovants : un code spatial pour encoder les positions réelles et les distances entre atomes, un code de centralité pour mesurer l’importance d’un atome dans la topologie globale, et un code d’arête intégrant les types et longueurs des liaisons chimiques. Ces ajouts permettent au modèle de comprendre non seulement la structure, mais aussi ses propriétés physiques fondamentales. Pour valider CGformer, les chercheurs se sont attaqués à un système particulièrement complexe : les matériaux à haute entropie (HEMs), où plusieurs éléments différents sont combinés au même site cristallin, créant une grande désorganisation qui peut, paradoxalement, stabiliser la structure et améliorer les performances. Ces matériaux sont rares, complexes et peu documentés, ce qui en fait un test idéal pour évaluer la capacité d’un modèle à apprendre avec peu de données. Dans le cadre de la recherche sur les électrolytes solides à sodium à haute entropie (HE-NSEs), CGformer a surpassé CGCNN avec une réduction de 25 % de l’erreur absolue moyenne (MAE). À partir d’un espace chimique colossal de 148 995 candidats, l’algorithme a identifié 18 matériaux prometteurs. Après une sélection rigoureuse, six d’entre eux ont été synthétisés expérimentalement. Les analyses par diffraction des rayons X, microscopie électronique à balayage et spectroscopie d’impédance ont confirmé leur structure unique de type NASICON et une conductivité ionique à température ambiante allant de 0,093 à 0,256 mS/cm, nettement supérieure aux matériaux classiques. Ce succès représente bien plus qu’une découverte de nouveaux matériaux : il démontre la faisabilité d’un pipeline intégré, reproductible et transférable pour la découverte de matériaux fonctionnels. CGformer peut désormais servir de véritable « accélérateur » pour développer de nouveaux électrolytes solides, matériaux d’électrodes, ou encore matériaux thermoélectriques et photocatalytiques. À l’échelle mondiale, le domaine de l’IA appliquée aux matériaux est au cœur de la compétition technologique. En s’attaquant aux problèmes fondamentaux comme la « myopie » des modèles, l’équipe de Li Jinjin illustre une évolution clé : la Chine passe d’une approche d’application à une véritable innovation fondamentale. Si des défis subsistent — notamment dans la construction de bases de données ouvertes et la maturité des écosystèmes logiciels — les avancées comme CGformer montrent que la Chine contribue désormais à des solutions globales pour les défis scientifiques du XXIe siècle.