Un modèle d’intelligence artificielle accélère la conception de matériaux basée sur les défauts. Ce modèle établit rapidement la relation entre les conditions aux limites et l’alignement moléculaire ainsi que la position des défauts, remplaçant des heures de simulations classiques et permettant une exploration rapide et une conception inverse de matériaux optiques avancés. Dans le monde physique, de nombreuses structures complexes émergent par brisure de symétrie. Lorsqu’un système symétrique passe à un état ordonné, il peut former des imperfections stables appelées défauts topologiques. Ces défauts se retrouvent à toutes les échelles, de la structure à grande échelle de l’univers aux matériaux courants, ce qui en fait un outil puissant pour comprendre comment l’ordre se forme dans des systèmes complexes. Un outil clé pour étudier ces phénomènes est constitué par les cristaux liquides nématiques : des matériaux dans lesquels les molécules peuvent tourner librement tout en restant globalement alignées. Ce système offre une plateforme claire et contrôlable pour observer la formation, le mouvement et la réorganisation des défauts. Ces structures sont généralement décrites par la théorie de Landau-de Gennes, qui modélise mathématiquement la rupture de l’ordre moléculaire au cœur des défauts, là où l’orientation devient indéfinie. Grâce à l’apprentissage profond, la prédiction des configurations stables de défauts est désormais bien plus rapide. Une équipe dirigée par le professeur Jun-Hee Na de l’université nationale de Chungnam, en Corée du Sud, a développé une méthode innovante publiée dans la revue Small, qui remplace les simulations numériques longues et coûteuses par des prédictions rapides, en quelques millisecondes seulement. « Notre approche complète les simulations lentes par des prédictions rapides et fiables, facilitant ainsi l’exploration systématique des régimes riches en défauts », explique le professeur Na. Le modèle repose sur une architecture 3D U-Net, un réseau de neurones convolutionnels largement utilisé en analyse d’images scientifiques et médicales. Il est conçu pour capturer à la fois l’ordre global d’orientation des molécules et les structures locales des défauts. En recevant des conditions aux limites, le réseau prédit directement l’état d’équilibre complet du champ d’alignement moléculaire, y compris la position et la forme des défauts. Entraîné sur des données issues de simulations classiques couvrant une large gamme de motifs d’alignement, le modèle parvient à prédire avec précision des configurations inédites, avec des résultats en excellent accord avec les simulations et les expériences. Contrairement aux approches basées sur des équations explicites, ce modèle apprend directement les comportements physiques à partir des données. Il peut donc gérer des situations très complexes, comme les défauts topologiques d’ordre supérieur, où les défauts peuvent fusionner, se scinder ou se réorganiser. Des tests expérimentaux ont confirmé que le réseau reproduit fidèlement ces dynamiques, démontrant sa robustesse dans diverses conditions. Grâce à sa capacité à explorer rapidement d’immenses espaces de conception, cette méthode ouvre la voie à la conception rapide de matériaux dotés d’architectures de défauts spécifiques, destinés à des dispositifs optiques sophistiqués et à des métamatériaux. « En réduisant considérablement le temps de développement des matériaux, la conception pilotée par l’intelligence artificielle pourrait accélérer la création de matériaux intelligents pour des applications allant des écrans holographiques et des technologies de réalité virtuelle ou augmentée aux systèmes optiques adaptatifs et aux fenêtres intelligentes capables de réagir à leur environnement », conclut le professeur Na.