Sartaaj Takrim Khan Seyed Mohamad Moosavi

Résumé

Chaque année, les chercheurs conçoivent des centaines de milliers de nouveaux matériaux, chacun présentant une structure et des propriétés uniques. Par exemple, plus de 5 000 nouveaux cadres organométalliques (MOFs, metal-organic frameworks) ont été rapportés au cours de l’année écoulée seule. Bien que ces matériaux soient souvent synthétisés dans un but spécifique, ils pourraient présenter un potentiel d’application dans des domaines entièrement différents. Toutefois, associer ces nouveaux matériaux à leurs applications les plus pertinentes reste un défi majeur. Dans cette étude, nous démontrons une approche multimodale qui exploite les informations disponibles dès la synthèse d’un MOF, notamment son diagramme de diffraction des rayons X en poudre (PXRD) et les réactifs utilisés dans sa synthèse, afin de prédire ses propriétés et ses applications potentielles. Grâce à un pré-entraînement auto-supervisé de ce modèle sur des structures cristallines accessibles via des bases de données de MOFs, notre modèle parvient à effectuer des prédictions précises pour diverses propriétés — qu’il s’agisse de la structure des pores, de propriétés dépendantes de la chimie ou de propriétés quantico-chimiques — même en présence de petits jeux de données. Nous évaluons également la robustesse de cette méthode face aux imperfections inhérentes aux mesures expérimentales. En exploitant cette approche, nous établissons une carte de correspondance entre synthèse et applications pour les MOFs, offrant des perspectives sur les classes de matériaux optimales pour des applications variées. Enfin, en enrichissant ce modèle d’un système de recommandation, nous identifions des MOFs prometteurs pour des applications différentes de celles initialement rapportées. Nous mettons à disposition cet outil sous forme de code open source et d’une application web, afin d’accélérer l’association des nouveaux matériaux à leurs applications industrielles potentielles.