Les chercheurs ont développé un modèle de génération de cristaux intégrant la symétrie des groupes d'espace — une avancée menée par l'Institut de physique de l'Académie des sciences de Chine (CAS) en collaboration avec l'Université de Jilin. Ce modèle, nommé CrystalFormer, repose sur les principes fondamentaux de l'intelligence artificielle générative, une technologie clé qui apprend la distribution de probabilité sous-jacente aux données pour générer de nouveaux échantillons originaux et naturels. L'objectif est de révolutionner la découverte et la conception de matériaux inorganiques, mais les cristaux posent un défi particulier : leur structure est intrinsèquement liée à des règles de symétrie, ce qui interdit l'application directe des modèles utilisés dans les domaines du langage ou de l'image. La nature privilégie les structures symétriques, décrites précisément par les groupes d'espace. En réalité, la nature dispose de deux « tables » fondamentales : le tableau périodique des éléments chimiques et le tableau des positions de Wyckoff associées aux groupes d'espace. Pour construire un cristal, il suffit de choisir des atomes dans le tableau périodique et de les placer selon les positions de Wyckoff. Cette approche donne aux cristaux une représentation sérialisée, à la fois prévisible et surprenante — une caractéristique essentielle exploitable par les modèles génératifs. CrystalFormer est un modèle auto-régressif spécifiquement conçu pour tirer parti de cette structure fondamentale. Il apprend à partir de bases de données de cristaux, en intégrant les lois chimiques solides sous forme de connaissances internes compressées. Il génère ensuite les occupations des positions de Wyckoff et les paramètres de maille de manière séquentielle, permettant ainsi de concevoir de nouvelles structures cristallines. Ce modèle utilise des réseaux de neurones pour représenter les connaissances en chimie solide, des activations neuronales pour capter les associations dans l'espace matériel, et une fonction de vraisemblance probabiliste pour refléter l'intuition chimique. Contrairement aux champs de force basés sur l'apprentissage automatique, CrystalFormer ne dépend pas de l'optimisation sur une surface d'énergie. Il « devine » directement des structures cristallines cohérentes sous contrainte de symétrie, offrant ainsi une approche plus fondamentale. En pratique, il peut explorer librement l'espace des matériaux ou cibler des structures avec des caractéristiques spécifiques. Grâce à son intégration facilitée avec des modèles de prédiction de propriétés, il permet une conception inverse de matériaux basée sur la formule de Bayes. En unifiant la symétrie mathématique des cristaux et l'intuition chimique dans un cadre générique, simple et flexible, CrystalFormer s'impose comme un outil puissant pour l'avenir de la découverte et de la conception de matériaux. Les résultats ont été publiés dans Science Bulletin, et le projet a été soutenu par le Fonds national de la science naturelle de Chine et des programmes scientifiques pilotes de l'Académie des sciences de Chine. Un code open source basé sur JAX, accompagné d'exemples d'application, est également disponible.