Des chercheurs du Tokyo Institute of Science ont mis au point une méthode permettant de rendre les modèles d'intelligence artificielle plus interprétables dans le domaine de la découverte de matériaux. Publiée dans la revue Advanced Intelligent Discovery, cette approche résout un problème récurrent : les algorithmes d'apprentissage automatique agissent souvent comme des boîtes noires, capables de faire des prédictions précises sans expliquer leur raisonnement. Pour y remédier, l'équipe, dirigée par les professeurs Akira Takahashi et Fumiyasu Oba, en collaboration avec Yu Kumagai de l'Université de Tohoku, a combiné un réseau de neurones graphiques appelé ALIGNN à une technique de regroupement hiérarchique. Ils ont entraîné le modèle sur les structures atomiques et les spectres d'absorption optique de 2 681 composés, principalement des oxydes métalliques et des chalcogénures. Au lieu de simplement générer des prédictions, les chercheurs ont analysé les couches internes du réseau pour extraire les caractéristiques clés que l'IA a apprises pour relier la structure cristalline aux propriétés optiques. En appliquant ensuite le regroupement hiérarchique à ces données, ils ont classé les matériaux en catégories distinctes partageant des similarités structurelles et spectrales. Une découverte majeure est que le modèle a identifié ces motifs à partir de la seule structure atomique, sans avoir besoin d'informations explicites sur les états d'oxydation ou les configurations électroniques. Cela démontre que l'algorithme a capturé des relations physiques et chimiques profondes entre la disposition des atomes et le comportement de la matière. Cette interprétabilité ouvre la voie à une conception rationnelle de nouveaux matériaux. Les propriétés optiques, cruciales pour les pigments, les cellules solaires et les photodétecteurs, dépendent de paramètres complexes difficiles à analyser avec les méthodes conventionnelles. La méthode proposée permet d'isoler les facteurs structurels déterminants, offrant ainsi des directives claires aux ingénieurs. Par ailleurs, le cadre n'est pas limité aux spectres optiques. Il peut être étendu à d'autres grandeurs spectrales ou à l'influence de facteurs environnementaux comme la température ou la pression, élargissant considérablement son utilité. Selon les chercheurs, cette approche fournit un outil général pour décrypter ce que les modèles d'apprentissage automatique ont réellement retenu. En rendant prédictibles les liens entre structure microscopique et propriétés macroscopiques, elle vise à accélérer la découverte de matériaux sur mesure, réduisant ainsi la dépendance aux essais et erreurs expérimentaux.