L’efficacité De La Rétrosynthèse De Matériaux Inorganiques a Explosé. Une Équipe Coréenne a Lancé Retrieval-Retro, Et Les Résultats Ont Été Sélectionnés Pour NeurIPS 2024
En novembre 2023, les scientifiques du Lawrence Berkeley National Laboratory aux États-Unis retenaient leur souffle devant un bras robotisé - cette plateforme de synthèse de matériaux IA appelée A-Lab venait de connaître son premier échec de synthèse après avoir préparé avec succès 41 nouveaux matériaux inorganiques successivement. Lorsque le voyant rouge s’est allumé, le laboratoire a éclaté en acclamations. Le professeur Gerbrand Ceder, chef du projet, explique : « Cette erreur a plus de valeur que le succès.Cela révèle l’angle mort de l’IA dans la compréhension de la dynamique des solvants.« C’est un moment critique dans la coévolution des humains et des machines. »
Cette célébration apparemment anormale reflète un changement de paradigme dans le domaine de la synthèse des matériaux inorganiques qui ne s’est pas produit depuis un siècle. Depuis que le chimiste organique EJ Corey a proposé la méthode d'analyse rétrosynthétique dans les années 1960, les chimistes inorganiques recherchent leur propre « Saint Graal » -Comment pouvons-nous procéder à la rétro-ingénierie de matériaux inorganiques complexes en étapes de synthèse exploitables, tout comme le démontage de briques Lego ?
Ce rêve a pris une tournure positive en 2020 : l'équipe de l'académicien Yu Shuhong de l'Université des sciences et technologies de Chine a révélé dans la revue Nature Nanotechnology qu'elle avait utilisé l'apprentissage automatique pour prédire les différences d'énergie d'interface et avait réussi à « sculpter » des matériaux magnétiques à des endroits spécifiques sur des nanofils semi-conducteurs.Cette technologie, dont la communauté universitaire pensait autrefois qu’elle nécessitait 20 ans d’accumulation expérimentale, a été déchiffrée avec succès par l’IA en seulement 3 mois.
La vague de changement arrive plus vite que prévu. En 2023,Google DeepMind a lancé la plateforme GNoME.En seulement 17 jours, 380 cristaux inorganiques stables ont été criblés, dont 52 ont été vérifiés expérimentalement. Ce qui est encore plus étonnant, c'est que lorsque l'équipe de la Northwestern Polytechnical University développait des revêtements céramiques pour les engins spatiaux,L'IA déduit à l'inverse le chemin contre-intuitif consistant à « construire d'abord un réseau de microfissures, puis à le remplir d'agent de guérison »——Cette stratégie de « prévention des pertes » augmente la résistance à la température du matériau de 300 °C, tout comme la forge d’une « écaille de blindage » auto-réparatrice pour l’avion.
Aujourd’hui, derrière les hottes des laboratoires du monde entier, une double révolution silencieuse se déroule tranquillement : l’IA n’apprend pas seulement de l’expérience synthétique humaine, mais explore et crée également de nouvelles voies de préparation qui dépassent l’intuition humaine. récemment,L'Institut coréen de recherche en technologie chimique (KRICT) et l'Institut coréen avancé des sciences et technologies (KAIST) ont proposé conjointement une méthode de planification de rétrosynthèse inorganique appelée Retrieval-Retro.Cette méthode favorise avec succès l’efficacité et la précision de la synthèse de matériaux inorganiques en combinant les relations thermodynamiques et le mécanisme d’attention. Ses performances exceptionnelles dans l’identification de nouvelles formules synthétiques ont apporté un nouvel espoir dans le domaine de la découverte de matériaux et devraient jouer un rôle plus important dans la recherche future.
Les résultats associés, intitulés « Retrieval-Retro : Retrieval-based Inorganic Retrosynthesis with Expert Knowledge », ont été sélectionnés pour NeurIPS 2024, la principale conférence universitaire dans le domaine de l'IA.
Lien vers l'article :
https://doi.org/10.48550/arXiv.2410.21341
Lien de téléchargement du jeu de données :
Adresse open source :
https://github.com/HeewoongNoh/Retrieval-Retro
Rétrosynthèse inorganique : fortement dépendante des essais et erreurs expérimentaux, les algorithmes d'IA doivent encore être améliorés
Tout au long de la longue histoire de la science des matériaux, les essais et erreurs ont été le seul moyen d’explorer l’inconnu : les scientifiques ont ajusté à plusieurs reprises les formules et testé des échantillons comme des aveugles touchant un éléphant jusqu’à ce qu’ils atteignent accidentellement le « point idéal » de performance. Ce modèle a été brisé pour la première fois dans le domaine de la synthèse organique en raison de la naissance de l'analyse rétrosynthétique : en 1964, EJ Corey a proposé de désassembler à l'envers la molécule cible en synthons comme un puzzle, et de trouver le chemin de synthèse par le raisonnement logique plutôt que par des tentatives aveugles. Tout comme pour résoudre le problème de la synthèse du benzofurane, les chimistes n’ont plus besoin de tester toutes les combinaisons possibles de dérivés du phénol. Au lieu de cela, ils peuvent localiser avec précision la voie de couplage catalysée par le fer des composés phénoliques et 1,3-dicarbonyles en identifiant le site de clivage de la liaison CO clé. Cette révolution de la pensée basée sur la coupure intelligente des liaisons chimiques a permis à la synthèse organique de passer de l’empirisme à l’ère de la conception rationnelle.
Cependant, lorsque le champ de bataille se tourne vers le monde inorganique, les choses deviennent beaucoup plus compliquées.d'abord,Les composés inorganiques impliquent des mécanismes de liaison plus complexes et leurs relations structure-propriété sont difficiles à analyser de manière modulaire à travers des groupes fonctionnels comme les molécules organiques ;Deuxièmement,Les réactions de synthèse inorganique s'accompagnent souvent d'une évolution d'interface multiphasique et d'une compétition avec des états métastables, et leur cinétique est plus difficile à prédire que les réactions en solution dans les systèmes organiques.En outre,La précision de calcul des méthodes de chimie computationnelle existantes pour les paramètres clés tels que l'énergie de stabilisation du champ cristallin inorganique et l'énergie de formation de défauts n'est pas suffisante pour permettre une déduction fiable du chemin inverse. Il en résulte que la recherche sur la rétrosynthèse inorganique dépend encore fortement des essais et erreurs expérimentaux, et que la construction de son cadre théorique est bien plus complexe que celle des systèmes organiques.
Aujourd’hui, l’ajout de la technologie de l’IA a ouvert de nouvelles voies dans ce domaine. Par exemple, les réseaux antagonistes génératifs dépassent les limites de l’expérience humaine et peuvent concevoir des structures innovantes telles que des réseaux de pérovskite dotés de propriétés électromagnétiques particulières. La méthode de Monte Carlo quantique pénètre en profondeur dans le monde microscopique et analyse le mécanisme d'intrication quantique des paires de Cooper dans les supraconducteurs à haute température. Pour ne pas être en reste, les réseaux neuronaux graphiques ont progressivement construit un système de règles de réaction quantique propre aux matériaux inorganiques en décodant les règles de réorganisation des orbitales atomiques.
Avec l’évolution continue de la technologie de l’IA dans ces domaines, les difficultés de la rétrosynthèse inorganique sont progressivement surmontées. Dans la vague d'itération technologique,Les autoencodeurs variationnels convolutifs sont les premiers à permettre la conception inverse des matériaux.Cela apporte de la lumière dans ce domaine. Par la suite, le modèle ElemwiseRetro a introduit une bibliothèque de modèles précurseurs pour optimiser la précision de la prédiction. Cependant, bien que les algorithmes existants aient fait de grands progrès,Cependant, la sagesse décisionnelle des chimistes qui « se réfèrent à des matériaux similaires » n’a pas encore été entièrement reproduite.En d’autres termes, l’IA doit encore apprendre davantage comment les chimistes humains pensent afin de concevoir des matériaux avec plus de précision.
Pour pallier cette lacune, une équipe de recherche de l’Université nationale de Séoul a développé une nouvelle méthode de planification de la rétrosynthèse inorganique appelée Retrieval-Retro.Son objectif est d’accélérer la découverte et la synthèse de matériaux en identifiant et en extrayant efficacement des informations précurseurs grâce à des techniques de recherche avancées et à des mécanismes d’attention.Des expériences approfondies montrent que Retrieval-Retro présente d’excellentes performances dans divers scénarios, en particulier dans le scénario de segmentation annuelle plus réaliste et plus difficile. Sa capacité exceptionnelle à découvrir de nouvelles formules synthétiques pour les matériaux inorganiques démontre pleinement son énorme potentiel d’application dans la découverte de matériaux pratiques.
Retrieval-Retro : une approche innovante de la planification de la rétrosynthèse inorganique
Le cœur de Retrieval-Retro est d'utiliser deux récupérateurs complémentaires——Récupérateur de complément de précurseur masqué (MPC) et récupérateur d'énergie de réaction neuronale (NRE), qui extraient des informations sur les précurseurs sur la base de 33 343 formules de synthèse de matériaux inorganiques extraites de 24 304 articles scientifiques sur les matériaux comme matériaux de référence.
Lien de téléchargement du jeu de données :
Le récupérateur MPC identifie les matériaux de référence avec des précurseurs similaires au matériau cible en apprenant les dépendances entre les précurseurs. Il récupère les K matériaux les plus similaires en calculant la similarité cosinus entre le matériau cible et tous les matériaux de la base de connaissances.Cette méthode peut capturer efficacement la corrélation entre les précurseurs et les matériaux cibles, fournissant des indices importants pour la planification de la synthèse ultérieure.
Cependant, bien que le récupérateur MPC soit capable d’identifier des ensembles similaires de précurseurs, il ignore les relations thermodynamiques entre les matériaux, qui sont cruciales dans la synthèse inorganique. À cette fin, le récupérateur NRE est basé sur la force motrice thermodynamique,Le matériau de référence est sélectionné en considérant l'énergie libre de Gibbs (∆G) entre le matériau cible et l'ensemble précurseur.Sous pression et température constantes, un ∆G négatif indique que la réaction de synthèse peut se produire spontanément, et plus la valeur ∆G est élevée, plus la possibilité que la collection de précurseurs puisse synthétiser le matériau cible est élevée. Le récupérateur NRE utilise les données d'énergie de génération calculées par DFT et les données d'énergie de génération expérimentales via des mécanismes de pré-formation et de réglage fin pour prédire l'énergie de génération des matériaux cibles et des matériaux de référence, sélectionnant ainsi le matériau de référence le plus favorable sur le plan thermodynamique.
Dans le processus d'extraction d'informations précurseurs,Retrieval-Retro adopte des mécanismes d'auto-attention et d'attention croisée.En codant le matériau cible et le matériau de référence via l'encodeur de graphique de composition, le modèle est capable d'améliorer la représentation du matériau de référence via le mécanisme d'auto-attention et de fusionner la représentation du matériau cible avec la représentation améliorée du matériau de référence via le mécanisme d'attention croisée, extrayant ainsi implicitement les informations précurseurs. Cette méthode permet non seulement d'exploiter pleinement les informations des matériaux de référence, mais également d'éviter les limitations liées à l'utilisation directe des informations précurseurs des matériaux de référence, améliorant ainsi considérablement la capacité d'apprentissage du modèle et de dérivation de nouvelles formules de synthèse.
Pour vérifier l’efficacité de Retrieval-Retro, les chercheurs l’ont comparé à plusieurs méthodes rétrosynthétiques inorganiques et méthodes de base existantes. Ces méthodes incluent des méthodes d’apprentissage de représentation basées sur la composition matérielle telles que Roost et CrabNet ainsi que des méthodes de base récemment proposées telles que Composition MLP et Graph Network. Les résultats expérimentaux montrent queRetrieval-Retro surpasse le modèle de base dans tous les scénarios de test.En particulier dans le cadre annuel, l’amélioration des performances est plus significative. Cela montre que Retrieval-Retro n’est pas seulement innovant en théorie, mais qu’il présente également une forte adaptabilité et une grande efficacité dans les applications pratiques.
La forme ultime de l'alchimie matérielle : quand l'IA commence à remettre en question le tableau périodique
Dans le contexte du modèle Retrieval-Retro de l'Université nationale de Séoul qui brise les limites de la récupération traditionnelle, le domaine de la rétrosynthèse inorganique accueille de nouvelles opportunités de développement.En 2024, les humains ont synthétisé l’élément 118, Og.Bien que ces éléments puissent avoir des demi-vies extrêmement courtes dans le monde réel, des applications pour la découverte de matériaux assistée par l’IA émergent déjà.
Cette exploration qui entremêle le réel et le virtuel remodèle la dimension cognitive de la science des matériaux. Alors que la chimie inorganique traditionnelle adhère encore à la règle de Pauling et à la loi de Hume-Rothery, l'IA a commencé à utiliser des réseaux de tenseurs pour reconstruire les effets de corrélation électronique et explorer les mécanismes potentiels des supraconducteurs à haute température grâce à des algorithmes de recuit quantique. Par exemple, A-Lab a réussi à synthétiser une variété de nouveaux matériaux inorganiques en combinant la robotique et l’apprentissage automatique, démontrant ainsi le grand potentiel de l’IA dans la synthèse des matériaux.
Ce saut cognitif entraîne une double révolution :Sur le plan technique,L'équipe d'informatique quantique de Microsoft combine des qubits topologiques avec des algorithmes rétrosynthétiques pour obtenir un calcul quantique plus stable et plus efficace en utilisant des matériaux conducteurs topologiques grâce à sa dernière puce quantique « Majorana 1 » ;En termes de philosophie des sciences,Le laboratoire d'intelligence synthétique du MIT a commencé à explorer comment l'IA peut simuler et optimiser les processus de synthèse chimique grâce à des réacteurs virtuels, redéfinissant ainsi la compréhension humaine du monde matériel. Tout comme Madame Curie a extrait le radium de la pechblende, l’IA pourrait précipiter des formes matérielles que les humains n’ont pas encore nommées dans des réacteurs virtuels.
Située à l'intersection des anciens et des nouveaux paradigmes, la rétrosynthèse inorganique écrit le chapitre le plus passionnant : elle perpétue non seulement la tradition de déconstruction matérielle héritée de l'ère Lavoisier, mais engendre également une « science des matériaux post-humaine » de collaboration homme-machine. Lorsque les rayons X de la source de rayonnement synchrotron de Shanghai et le réseau neuronal de GNoME ont analysé conjointement le 380e cristal stable, ce que nous avons vu n'était pas seulement une itération technologique, mais aussi une mise à niveau de la dimension cognitive - tout comme la mécanique quantique a renversé la physique classique, l'IA ouvre une « boîte à outils Schrödinger » de multiples réalités pour la science des matériaux.
Il convient de noter que la véritable révolution ne réside pas dans le fait que les machines remplacent les humains, mais dans le fait que lorsque l’IA commence à redéfinir les liaisons chimiques en utilisant des fonctions d’onde non locales, les humains acquièrent enfin une deuxième paire d’yeux pour observer le monde matériel. Sous le regard attentif de ces « yeux mécaniques », la synthèse de matériaux inorganiques se transforme d’une compétence empirique en un pont cognitif reliant la chimie classique et l’univers quantique.