Des chercheurs japonais ont développé une méthode d'apprentissage automatique révolutionnaire pour analyser les surfaces de Fermi, des cartes essentielles de la structure électronique d'un matériau, visant à accélérer la découverte de matériaux pour la spintronique. Cette approche, publiée dans la revue Scientific Reports, combine intelligence artificielle et science des matériaux pour surmonter les limites des techniques expérimentales traditionnelles. L'analyse de la surface de Fermi est cruciale pour comprendre et concevoir de nouveaux matériaux, car elle détermine des propriétés clés telles que la densité de porteurs, le comportement magnétique et la polarisation de spin. Cependant, obtenir ces données repose généralement sur la spectroscopie photoélectronique avec résolution angulaire, une méthode exigeante qui produit des images complexes, souvent bruitées et difficiles à interpréter manuellement, surtout avec la quantité massive de données générées aujourd'hui. Pour résoudre ce problème, une équipe composée de l'Université des Sciences de Tokyo, de l'Université de Nagoya et de l'Institut de Technologie de Kyoto a mis au point une stratégie utilisant l'analyse en composantes principales (ACP). Cette technique d'apprentissage non supervisé permet de réduire la dimensionnalité des données complexes tout en conservant les motifs les plus significatifs. L'équipe a étudié un alliage spécifique appartenant à la famille des alliages de Heusler, noté Co2MnGaGe, très prometteur pour la spintronique, un domaine utilisant le spin des électrons pour traiter l'information. Cet alliage présente également un effet Nernst anormal, lié à des caractéristiques particulières de sa surface de Fermi appelées lignes nodales. La méthode a commencé par des simulations informatiques basées sur la théorie de la fonctionnelle de la densité pour calculer la structure électronique à différentes compositions chimiques. Les images de surface de Fermi générées par ces calculs ont ensuite été transformées en vecteurs unidimensionnels et analysées via l'ACP pour identifier les variations systématiques. Le processus a permis de repérer avec précision les compositions où la topologie de la surface de Fermi subit des changements majeurs. Plus spécifiquement, la méthode a détecté des sauts soudains dans la représentation simplifiée de l'ACP autour d'une concentration en gallium comprise entre 0,94 et 0,95, correspondant à l'émergence de lignes nodales et à des points critiques dans la polarisation de spin. La robustesse de cette approche a été démontrée par sa capacité à maintenir son efficacité même lorsque les images ont été intentionnellement floutées ou soumises à un bruit important, simulant ainsi les conditions réelles des mesures expérimentales. L'algorithme a continué à identifier avec fiabilité les compositions associées aux variations de polarisation de spin et aux lignes nodales. Cette avancée permet de cribler de vastes ensembles de données de manière beaucoup plus rapide et efficace, accélérant ainsi le développement de matériaux aux propriétés électroniques souhaitées. La méthode pourrait également être étendue à l'identification d'autres candidats prometteurs, tels que des matériaux fortement corrélés ou des semi-métaux de Weyl et de Dirac. Comme le souligne le professeur Masato Kotsugi, responsable de l'étude, l'intelligence artificielle permettra d'analyser une grande variété de matériaux, allant de la spintronique aux matériaux topologiques en passant par la supraconductivité, révélant des motifs qui restaient auparavant cachés.