Des chercheurs de l'université Tohoku publient une revue dans la revue Angewandte Chemie International Edition expliquant comment les grands modèles d'intelligence artificielle transforment la découverte de catalyseurs. Les catalyseurs sont des matériaux essentiels qui accélèrent les réactions chimiques, jouant un rôle crucial dans des domaines allant des piles à combustible au contrôle de la pollution et à la production d'hydrogène. Traditionnellement, la découverte de nouveaux catalyseurs reposait sur l'essai et l'erreur, une méthode longue et coûteuse nécessitant des années de travail en laboratoire. La stratégie proposée par l'équipe de recherche repose sur une approche intégrée combinant de grandes bases de données de catalyse de haute qualité, des potentiels interatomiques d'apprentissage automatique universels (MLIP) et des modèles de langage larges (LLM). Les MLIP permettent de simuler avec une grande rapidité et précision le comportement des atomes et leurs interactions. Parallèlement, les LLM peuvent analyser la littérature scientifique, interpréter des connaissances complexes et suggérer de nouvelles orientations de recherche. Ces outils connectent les concepts scientifiques, la modélisation computationnelle et la validation expérimentale dans un flux de travail unifié et axé sur les données. Cette méthode intégrée accélère considérablement le processus de découverte. Au lieu de tester les matériaux un par un, les chercheurs peuvent effectuer des simulations à grande échelle, collecter et entraîner des données efficacement, et prédire rapidement les conceptions de catalyseurs les plus prometteuses avant même leur synthèse. Dans certains cas, les systèmes d'intelligence artificielle peuvent même guider leurs propres prochaines étapes de recherche, créant un cycle d'apprentissage et d'expérimentation auto-améliorant. Hao Li, professeur émérite à l'Institut des matériaux pour le progrès mondial de l'université Tohoku, déclare que l'intégration des modèles d'intelligence artificielle universels avec des connaissances spécialisées et l'automatisation nous mène vers un avenir où la découverte de catalyseurs devient un processus en accélération continue plutôt qu'un développement lent et incrémental. À l'avenir, l'équipe envisage la création de plateformes intégrées entièrement alimentées par l'IA fonctionnant en boucle fermée. Dans ces systèmes, la prédiction, la synthèse, le test et l'apprentissage fonctionneront en un cycle de rétroaction continu. Ces plateformes pourraient réduire considérablement le temps et les matériaux gaspillés tout en augmentant les chances de découvertes majeures. Au-delà de la catalyse, les chercheurs prévoient d'étendre ces stratégies à d'autres domaines critiques des matériaux, notamment les batteries et les matériaux de stockage d'hydrogène. En construisant des écosystèmes numériques de matériaux interdisciplinaires, ils visent à favoriser l'innovation dans plusieurs technologies énergétiques. Cette revue marque une étape importante dans les sciences des matériaux pilotées par l'IA et reconnaît les contributions de premier plan de Hao Li dans ce domaine. À mesure que les grands modèles d'IA, les systèmes multimodaux et les technologies d'automatisation continuent d'évoluer, elles annoncent l'aube d'une nouvelle ère où la découverte de matériaux catalyseurs ne sera pas seulement plus rapide, mais perpétuellement accélérée, promettant des innovations rapides pour les technologies propres et durables.