La synthèse des matériaux, domaine de pointe étroitement lié à la chimie, à la physique et à l'ingénierie, a toujours été un moteur essentiel de l'innovation technologique moderne. Cependant, la création d'un nouveau matériau ne se résume jamais à la simple application d'une formule prédéterminée, mais constitue plutôt un processus incertain qui intègre intuition scientifique, contrôle précis et exploration constante. Si l'on compare ce processus à la cuisine, où, même pour un même plat, différents chefs, proportions d'ingrédients, techniques de préparation, voire de légères variations de température, influencent profondément le goût final, il en va de même pour la synthèse des matériaux.Chaque choix de paramètre et chaque ajustement précis des conditions peuvent avoir un impact énorme, voire décisif, sur les propriétés du matériau, conduisant à des résultats différents.

Actuellement, les chercheurs utilisent le calcul à haut débit et des méthodes basées sur les données pour cribler des millions de matériaux présentant une stabilité et un potentiel de synthèse potentiels parmi un grand nombre de composés. C'est comme un « menu » regorgeant de plats rares et raffinés, apportant une première réponse à la question fondamentale « que synthétiser ? » en synthèse des matériaux. Cependant, tout comme la cuisine repose non seulement sur des recettes mais aussi sur le processus de préparation, disposer d'un simple « menu » sans méthodes de préparation concrètes constitue un obstacle majeur en synthèse des matériaux. Par conséquent, savoir « cuisiner » les matériaux théoriques – c'est-à-dire résoudre le problème de la synthèse – représente un défi crucial que la recherche actuelle sur les matériaux doit relever pour progresser vers des applications pratiques.

En réponse aux défis ci-dessus,Une équipe de recherche du MIT, de l'Université technique de Munich et de l'Université polytechnique de Valence a proposé de manière novatrice un modèle de diffusion génératif appelé DiffSyn.Ce modèle, entraîné sur plus de 23 000 formulations génératives issues d'une littérature couvrant plus de 50 ans, peut générer des voies de synthèse possibles à partir de la structure zéolithique cible et d'une matrice organique. Son principal atout réside dans sa capacité à appréhender les caractéristiques « un-à-plusieurs » et « multimodales » de la relation structure-synthèse des matériaux, offrant ainsi aux chercheurs un guidage scientifique et précis pour la préparation des matériaux. Comparé aux méthodes traditionnelles utilisant des modèles de régression et d'autres modèles génératifs, DiffSyn présente des performances nettement supérieures.

Au cours de leurs recherches, l'équipe a démontré la capacité de DiffSyn à prédire des voies de synthèse efficaces pour les zéolites (une classe de matériaux microporeux cristallins qui peuvent être largement utilisés dans la catalyse, l'adsorption et l'échange d'ions).En s'appuyant sur sa méthode de synthèse, l'équipe de recherche a réussi à préparer un matériau zéolithique de type UFI. Des calculs d'énergie de liaison par la théorie de la fonctionnelle de la densité ont confirmé que son rapport silicium/aluminium (Si/Al), mesuré par spectrométrie d'émission optique à plasma à couplage inductif (ICP), atteignait 19,0.Cette propriété supérieure devrait améliorer considérablement la stabilité thermique des matériaux poreux, jetant ainsi les bases de leur application dans des environnements à haute température et difficiles.

Les résultats de cette recherche, intitulée « DiffSyn : une approche de diffusion générative pour la planification de la synthèse des matériaux », ont été publiés dans Nature Computational Science.

Points saillants de la recherche :

* DiffSyn, entraîné sur 23 961 recettes synthétiques issues de plus de 50 ans de littérature, surmonte les limitations de la cartographie déterministe dans les modèles de régression traditionnels. 

* Comparé aux modèles de régression et à d'autres modèles génératifs profonds, DiffSyn atteint l'erreur absolue moyenne la plus faible pour 10 des 12 paramètres synthétiques, démontrant une supériorité significative.

* Le matériau cible a été préparé avec succès avec un rapport silicium/aluminium atteignant 19,0, démontrant ainsi la valeur pratique du modèle DiffSyn.

Adresse du document :

https://www.nature.com/articles/s43588-025-00949-9
Suivez notre compte WeChat officiel et répondez « prédiction zéolite » en arrière-plan pour obtenir le PDF complet.

Axé sur la synthèse des zéolites : données d’entraînement couvrant 50 ans et plus de 23 000 formulations.

DiffSyn, une avancée majeure et fructueuse dans le domaine de la synthèse des matériaux, se distingue par sa focalisation. Le jeu de données principal utilisé pour l'entraînement du modèle DiffSyn est le jeu de données ZeoSyn.Il s'agit d'un ensemble de données proposé par la même équipe, couvrant 23 961 voies de synthèse hydrothermale pour les zéolites, dont 233 topologies de zéolites et 921 agents structurants organiques (OSDA).Les données proviennent de la littérature sur la synthèse des zéolites couvrant plus de 50 ans.

Amélioration des capacités du modèle : Basé sur le modèle de diffusion génératif, un guidage chimique innovant est introduit.

Le processus de synthèse des matériaux n'est jamais unique. Comme l'a souligné Elton Pan, premier auteur de cette étude, il existe en réalité plusieurs voies de synthèse possibles pour les relations structure-synthèse des matériaux. Ce changement de paradigme implique de passer d'une relation « un-à-un » à une relation « un-à-plusieurs ».

Sélection du modèle de base – Modèle de diffusion génératif

Pour les méthodes d'apprentissage automatique, la relation « un-à-plusieurs » entre structure et synthèse représente un défi majeur. Les chercheurs doivent également considérer la relation inverse, c'est-à-dire la relation « un-à-plusieurs » entre synthèse et structure. De même, une formulation unique peut donner naissance à un mélange de produits, autrement dit à une phase concurrente, en raison de l'interaction de facteurs complexes tels que la thermodynamique et la cinétique. Par ailleurs, les interactions non linéaires complexes entre les paramètres de synthèse exigent des méthodes capables de modéliser conjointement les probabilistes de plusieurs paramètres afin de saisir les relations entre les variables et de pondérer les paramètres de synthèse.

Avant DiffSyn, les méthodes traditionnelles d'apprentissage automatique utilisaient principalement des modèles de régression. Ces méthodes établissaient une correspondance déterministe entre une représentation donnée d'un matériau et les paramètres de synthèse, aboutissant directement à une relation structure-synthèse univoque. Plus important encore, les relations entre les paramètres de synthèse étaient indépendantes, ne permettant pas de rendre compte du fort couplage qui les unit. Ces limitations restreignaient considérablement la précision prédictive des modèles de régression.

À l'inverse, le modèle DiffSyn adopte une approche totalement nouvelle, basée sur un modèle de diffusion génératif.Comparé aux réseaux antagonistes génératifs classiques,Le modèle de diffusion élimine le bruit des données bruitées grâce à l'apprentissage et peut générer des sorties diverses ;Comparé aux méthodes de génération profonde telles que les auto-encodeurs variationnels,Le processus itératif de débruitage du modèle de diffusion lui confère une grande expressivité, permettant ainsi d'obtenir une excellente qualité d'échantillonnage et même de saisir les frontières entre les phases concurrentes dans l'espace synthétique. C'est là la caractéristique fondamentale qui distingue cette étude des précédentes.Pour reprendre les termes de l'auteur, « Il s'agit d'un changement de paradigme, passant d'une correspondance un-à-un entre structure et composition à une correspondance un-à-plusieurs. »

Ceci est également essentiel à la capacité de DiffSyn à prédire les matériaux zéolithiques avec un espace de synthèse de haute dimension.

Mécanisme de régulation principal – orientations chimiques

Une autre caractéristique clé de DiffSyn est son « guidage chimique ». DiffSyn ne génère pas un ensemble de paramètres aléatoires. Au contraire, il utilise un guidage chimique pour créer une voie de synthèse conforme aux principes chimiques et ciblant la structure zéolithique visée grâce à un modèle de diffusion. Plus précisément, il utilise la structure zéolithique cible Czeo et l'agent structurant organique (OSDA) Cosda comme entrées et sorties. Voir la figure ci-dessous :

L'OSDA est une molécule organique qui peut « servir de modèle » à la structure poreuse des zéolites, guidant ainsi le processus de synthèse pour former une structure spécifique, comme illustré dans la figure e ci-dessous.

Et surtout,Ce modèle n'apprend pas des paramètres déterministes, mais plutôt des distributions de probabilité conditionnelles.À partir de la structure cible et de l'OSDA, un ensemble de voies de synthèse est généré, incluant la composition du gel Xcomp et les conditions de synthèse Xcond. Ceci est essentiel pour résoudre la relation « un-à-plusieurs » mentionnée précédemment.

Au cours du processus de formation,Le processus de diffusion directe (la partie avec des flèches rouges dans le diagramme de flux de travail) ajoute un bruit gaussien à Xcomp et Xcond, les transformant progressivement en une distribution gaussienne.Au stade de l’inférence,Le processus de rétrodiffusion (indiqué par la flèche verte dans le diagramme de flux de travail) débute avec un bruit gaussien et utilise une stratégie de guidage indépendante du classificateur pour débruiter itérativement ce bruit grâce à un réseau U-Net à guidage chimique. Voir le diagramme ci-dessous :

Après débruitage sur T itérations, le modèle génère la voie de synthèse correspondant à la structure cible. Lors de la rétrodiffusion, les paramètres de génération, tels que la distance de Wasserstein et le coefficient de variation (COV-P) (précision), sont optimisés en continu, ce qui confirme l'efficacité du débruitage et démontre l'intérêt du guidage chimique.

Mise en œuvre du flux de travail DiffSyn – double encodeur, encodeur de fusion de caractéristiques

En termes d'architecture du modèle,DiffSyn utilise une architecture à double encodeur, traitant la structure de la zéolite et l'OSDA via des encodeurs indépendants (Enczeo et EncOSDA).

Pour caractériser les structures zéolithiques, l'équipe de recherche a employé une stratégie de double caractérisation pour extraire les caractéristiques structurelles : les caractéristiques géométriques invariantes, où l'équipe a utilisé le logiciel Zeo++ pour extraire les descripteurs physiques pertinents de la structure zéolithique, tels que le volume des pores, la taille des anneaux et le diamètre maximal de la sphère englobante, puis les a introduits dans un encodeur perceptron multicouche pour l'apprentissage ; et la caractérisation par réseau neuronal graphique équivariant (EGNN), où l'équipe a appris directement les caractéristiques de l'espace latent chimiquement significatives à partir des données spectrales de la structure cristalline de la zéolite à l'aide d'un encodeur de réseau neuronal graphique équivariant.
* Données issues de la base de données de l'Association internationale des zéolites (IZA).

Pour caractériser les agents structurants organiques, l'équipe de recherche a utilisé RDKit afin de générer de multiples conformations de ces agents et a procédé à une optimisation géométrique en phase gazeuse pour chaque conformation à l'aide du champ de force MMFF94. Elle a ensuite calculé les valeurs moyennes des descripteurs physico-chimiques, tels que le volume moléculaire et les descripteurs de forme bidimensionnels, pour toutes les conformations, afin de caractériser l'agent structurant organique.

L'équipe de recherche a ensuite combiné les caractéristiques structurales de la zéolite avec celles d'agents structurants organiques, puis utilisé un encodeur Encfusion pour apprendre la caractérisation conjointe des deux, générant ainsi des informations de guidage chimique. Cette caractérisation conjointe sert ensuite à guider le processus de débruitage inverse du modèle de diffusion, garantissant que les voies de synthèse générées respectent les principes chimiques. Plus particulièrement, DiffSyn peut générer des paramètres de synthèse qui reflètent des voies de synthèse non observées lors de l'entraînement, mais décrites dans la littérature. Voir la figure ci-dessous :

De plus, le guidage indépendant du classificateur est un élément clé de DiffSyn. Son principe fondamental consiste à réguler le processus de génération sans ajouter de classificateur supplémentaire, en combinant pondérant des fonctions de score conditionnelles (contenant des informations de guidage chimique) et inconditionnelles (ne contenant aucune information de guidage). Lors des expériences, les valeurs optimales de Puncond = 0,1 et W = 1,0 ont permis d'obtenir un équilibre optimal entre la diversité et la qualité des voies de synthèse générées.
* Le paramètre Puncond représente la probabilité d'omettre aléatoirement le guidage chimique pendant l'apprentissage. Une valeur trop élevée impose des restrictions excessives sur la voie de génération, tandis qu'une valeur trop faible réduit le ciblage de la structure cible.
* W représente le poids du score conditionnel pondéré lors de l'inférence, c'est-à-dire la force directrice.

En résumé, ce qui précède constitue une base importante pour garantir la rationalité chimique de la voie de synthèse permettant de générer le matériau zéolithique cible, de cibler avec précision la structure cible et d'améliorer la capacité de généralisation du modèle.

Comparaison expérimentale multidimensionnelle : les performances comparatives atteignent l'état de l'art (SOTA) et les résultats pratiques renouvellent les valeurs les plus élevées rapportées.

Pour vérifier les performances de DiffSyn, l'équipe de recherche a mis en place plusieurs séries d'expériences au cours de la phase expérimentale, y compris des comparaisons avec les méthodes précédentes et des comparaisons entre les voies de synthèse de zéolite prédites et les rapports de la littérature.

Comparaison avec les modèles de régression et les modèles génératifs/génératifs profonds classiques

L'équipe de recherche a établi trois modèles de référence à comparer à DiffSyn, évaluant ainsi les performances et les capacités de la méthode proposée. Ces trois modèles de référence sont :

* Modèles de régression : AMD (distance minimale moyenne) et BNN (réseau neuronal bayésien) 

* Modèle génératif classique : GMM (modèle de mélange gaussien)

*Modèles génératifs profonds : GAN (réseau antagoniste génératif conditionnel), NF (flux normalisant) et VAE (auto-encodeur variationnel)

L'expérience a utilisé la distance de Wasserstein comme indicateur pour mesurer la différence entre les données générées et la distribution des données réelles, et l'indice de couverture COV-F1 (allant de 0 à 1, les valeurs les plus élevées étant meilleures) comme indice d'évaluation de la diversité des voies de synthèse générées.

La distance de Wasserstein démontre que les modèles génératifs profonds tels que GAN, NF, VAE et DiffSyn surpassent significativement les méthodes classiques.DiffSyn améliore la valeur de référence sous-optimale (VAE) de plus de 25%.Comme le montre la figure a ci-dessous :

De plus, les méthodes génératives profondes surpassent généralement les modèles de régression, principalement grâce à leur taux de rappel (COV-R) plus élevé. Il convient de noter que…DiffSyn surpasse les autres modèles génératifs profonds grâce à son COV-P plus élevé.De plus, bien que DiffSyn ne soit pas entraîné avec un objectif d'erreur absolue moyenne explicite comme les méthodes basées sur la régression, il atteint tout de même l'erreur absolue moyenne la plus faible pour 10 des 12 paramètres synthétiques, comme le montre la figure c ci-dessous :

De plus, l'équipe de recherche a comparé les distributions conjointes prédites de plusieurs paramètres de synthèse à l'aide de toutes les méthodes avec les distributions conjointes réelles pour la zéolite AEL.Seules les méthodes de génération profonde peuvent capturer la véritable distribution combinée de la température et du temps de cristallisation pour ce type de structure cristalline.Parmi eux, DiffSyn capture la distribution conjointe avec le plus de précision, incluant la plupart des points de données réels (y compris certaines valeurs aberrantes), mais ne parvient pas à prédire les points de données (valeurs aberrantes extrêmes) dans les modèles secondaires.

Lors de la validation ultérieure, l'équipe de recherche a utilisé DiffSyn pour apprendre la distribution conjointe de plusieurs paramètres de synthèse et a examiné deux paramètres de synthèse pour deux systèmes zéolite-OSDA jamais vus auparavant.Les résultats confirment que DiffSyn a parfaitement maîtrisé les règles spécifiques dans le domaine de la synthèse des matériaux.Cela a des implications chimiques importantes.

Comparez les voies de synthèse générées avec celles rapportées dans la littérature.

L'équipe de recherche a sélectionné plusieurs systèmes zéolite-OSDA présentant un intérêt pour la recherche et des perspectives d'application industrielle, a comparé les différences entre les voies de synthèse générées par DiffSyn et celles décrites dans la littérature, et a vérifié la capacité de DiffSyn à identifier la relation synthèse-structure pour les voies de formation de zéolites de type MWW et BEC inédites, ainsi que pour le système de phases cristallines concurrentes FAU/LTA. Voir la figure ci-dessous :

Tout d'abord, concernant le système MWW, il s'agit d'une structure bidimensionnelle avec un anneau à dix membres et une grande cavité, utilisée dans les réactions d'isomérisation et d'aromatisation. Les paramètres OH⁻/T, K⁺/T, H₂O/T, SDA/T, de température et de temps générés par DiffSyn sont en très bon accord avec les paramètres de synthèse réels.Cela prouve que DiffSyn peut encore reproduire des fenêtres raisonnables dans des structures invisibles.

Deuxièmement, concernant le système BEC, il s'agit d'une zéolite macroporeuse avec une topologie de pores tridimensionnelle contenant des canaux annulaires à douze membres qui s'entrecroisent, adaptée aux réactions d'isomérisation et d'époxydation. Les paramètres de synthèse Si/Ge, F⁻/T et température/temps obtenus par DiffSyn sont en parfaite adéquation avec ceux rapportés dans la littérature. En particulier, cette dernière indique que Ge et F⁻ stabilisent le double cycle à quatre chaînons (d4r) de la structure BEC durant la synthèse, ce que confirme DiffSyn.Cela démontre que DiffSyn est capable d'apprendre des hétéroatomes spécifiques, ou des conditions de synthèse, pour favoriser la formation d'unités structurales spécifiques dans les zéolites.

Enfin, l'équipe de recherche a utilisé DiffSyn pour prédire les voies de synthèse des zéolites FAU et LTA sans OSDA. Les voies de synthèse générées par DiffSyn concordaient fortement avec celles rapportées dans la littérature. Notamment,DiffSyn a prédit avec précision la région de frontière de phase entre FAU et LTA sans OSDA, définissant clairement l'espace de synthèse pour la formation de phases concurrentes.Ce résultat montre que DiffSyn permet non seulement de saisir avec précision les relations structure-synthèse, mais aussi de déterminer la frontière de décision entre la synthèse et la structure, démontrant ainsi son potentiel pour la synthèse sélective de phase. Il présente également une grande généralisation et une large applicabilité, et peut être appliqué à diverses structures zéolithiques et à leurs systèmes chimiques correspondants.

Vérification de la génération de la voie de synthèse optimale

Générer des voies de synthèse et planifier des voies de synthèse optimales sont deux dimensions d'un même problème. Pour y remédier, l'équipe de recherche a évalué la capacité de DiffSyn à réaliser cette dernière.

L'expérience a utilisé le triméthyladamantium ammonium (TMAda) comme agent structurant organique pour synthétiser des zéolites de type CHA, générant de multiples voies de synthèse et calculant les coûts des précurseurs et les temps de cristallisation correspondants. Voir la figure ci-dessous. Les voies partiellement optimales de Praeto générées par DiffSyn ont des temps de cristallisation plus courts et des coûts de précurseurs inférieurs à ceux des 20 voies de synthèse les moins coûteuses rapportées dans la littérature.

enfin,L'équipe de recherche a vérifié expérimentalement la voie de synthèse du DiffSyn pour générer des zéolites de type UFI et a synthétisé avec succès quatre matériaux zéolithiques de type UFI.Pour la synthèse des zéolites de type UFI, l'équipe de recherche a choisi Kryptofix 222 (K222) comme OSDA car ce système n'apparaissait pas dans les données d'entraînement, ce qui est bénéfique pour tester la capacité de généralisation de DiffSyn.

DiffSyn a généré 1 000 voies de synthèse, dont la distribution s'inscrit dans le sous-espace de toutes les distributions de voies de synthèse de zéolites rapportées, comme illustré dans la figure ci-dessous. De plus, l'étude a révélé que la plupart des phases cristallines concurrentes ne partagent pas d'unités structurales composites communes avec la phase cristalline cible, confirmant ainsi la complexité de la relation structure-synthèse et son incapacité à être expliquée uniquement par des unités structurales.

Les résultats des tests ont montré que le diagramme de diffraction des rayons X sur poudre de l'échantillon synthétisé était en parfait accord avec le diagramme simulé.Il a été confirmé que le cristal obtenu était une zéolite de type UFI, et le rapport silicium/aluminium mesuré par ICP était de 19,0, ce qui est l'une des valeurs les plus élevées rapportées à ce jour dans la synthèse de zéolites de type UFI.

Plus important encore, l'équipe de recherche a souligné que la collaboration entre DiffSyn et les experts humains est essentielle pour obtenir des résultats de synthèse optimaux, et elle a validé cette affirmation à l'aide de l'exemple de la température de cristallisation. En conclusion, le modèle fournit la voie de synthèse, tandis que les experts humains utilisent leur expérience pour apporter des corrections et prendre des décisions ; cela pourrait être la clé de l'application future de l'intelligence artificielle à la planification de la synthèse des matériaux.

Ce « livre de recettes » utilise divers matériaux pour relier « quoi synthétiser » à « comment synthétiser ».

L'intégration croisée des domaines de la synthèse des matériaux et de l'intelligence artificielle s'approfondit, ce qui permet au domaine de la synthèse des matériaux d'évoluer vers plus d'intelligence, de précision et d'intégration.

Tout d'abord, le développement rapide de l'intelligence artificielle, et notamment de l'intelligence artificielle générative, accélère la constitution de bases de données pour la synthèse des matériaux. Dans le secteur industriel, des géants de la technologie comme Google et Meta ont investi massivement dans l'intelligence artificielle générative, créant ainsi une vaste base de données de formules de synthèse. Ces formules offrent, en théorie, un terrain fertile pour la synthèse et l'innovation dans le domaine des matériaux.

De plus, les bases de données pertinentes sont constamment améliorées et enrichies pour des sous-domaines spécifiques, notamment grâce à un développement plus ciblé dans le milieu universitaire et la recherche. Par exemple, avant cette recherche, l'équipe avait déjà effectué un suivi à long terme des zéolites. Face au problème de la taille réduite et du nombre limité des bases de données publiques actuelles sur la synthèse des zéolites, elle a proposé l'ensemble de données ZeoSyn, qui contient 23 961 voies de synthèse hydrothermale pour les zéolites. Parallèlement, l'équipe a également développé un classificateur d'apprentissage automatique pour prédire les zéolites à partir d'une voie de synthèse, atteignant une précision de 70%. Ceci a jeté des bases solides et fourni un appui théorique important aux recherches ultérieures de l'équipe.

* Titre du document :

ZeoSyn : un ensemble de données complet sur la synthèse des zéolites permettant une rationalisation par apprentissage automatique des paramètres hydrothermaux
* Adresse du papier :https://dspace.mit.edu/handle/1721.1/164092

La base de données de formules de synthèse de matériaux est comparable au menu d'une recette. Or, comme mentionné précédemment, un menu seul est insuffisant sans méthodes de préparation. L'application de modèles de régression, de modèles génératifs et de modèles de diffusion s'apparente à l'exploration et à l'innovation continues menées par les chercheurs pour perfectionner un plat savoureux. L'utilisation de ces technologies d'intelligence artificielle revient à ajouter diverses méthodes de préparation à chaque plat du menu, afin d'affiner la recette.

Enfin, bien que le processus de synthèse de matériaux puisse s'apparenter à la cuisine, il en est aussi fondamentalement différent. Comparée à la cuisine ordinaire, chaque synthèse réussie est bien plus précieuse qu'un plat aux saveurs exceptionnelles. La création de chaque nouveau matériau peut ouvrir la porte à un monde inconnu, recelant en lui des possibilités infinies pour faire progresser la civilisation humaine et notre époque.