Des chercheurs du MIT ont développé un modèle d'intelligence artificielle capable de détecter et de quantifier avec précision des défauts atomiques dans divers matériaux. Contrairement à la biologie où les défauts sont souvent néfastes, en science des matériaux, ils peuvent être maîtrisés pour conférer de nouvelles propriétés utiles à des produits comme les semi-conducteurs, les cellules solaires et les batteries. Cependant, mesurer précisément ces défauts sans détruire le matériau final est un défi majeur pour les ingénieurs. L'équipe, menée par le doctorant Mouyang Cheng et le professeur Mingda Li, a entraîné son modèle sur une base de données de 2 000 matériaux semi-conducteurs. En utilisant une technique non invasive de diffusion neutronique, l'IA analyse les fréquences de vibration des atomes pour identifier jusqu'à six types différents de défauts ponctuels simultanément. Cette capacité est inédite car les méthodes conventionnelles échouent à caractériser de manière universelle et quantitative ces imperfections sans altérer l'échantillon. Le modèle, qui s'appuie sur une architecture de type "mécanisme d'attention multi-tête" similaire à celle utilisée par ChatGPT, peut distinguer des signaux complexes et prédire les types de dopants utilisés ainsi que leur concentration, même lorsqu'elle est inférieure à 0,2 %. Actuellement, les fabricants doivent souvent se fier à des estimations ou utiliser des techniques limitées, comme la diffraction des rayons X ou la spectroscopie Raman, qui ne voient qu'une partie du problème ou nécessitent de couper des échantillons. Les chercheurs ont surnommé cette limitation par l'analogie de l'éléphant, où chaque méthode traditionnelle ne perçoit qu'une partie de l'animal. Leur nouvelle approche permet enfin d'obtenir une vue d'ensemble complète des défauts, ouvrant la voie à une conception de matériaux plus précise. Les résultats ont été vérifiés expérimentalement sur des alliages électroniques et des supraconducteurs, confirmant que le modèle peut gérer des signaux mixtes provenant de plusieurs défauts simultanément. Bien que la diffusion neutronique soit une technique puissante, son déploiement industriel rapide peut être complexe. Le projet de recherche se concentre désormais sur l'adaptation du modèle à la spectroscopie Raman, une méthode plus courante et facile à mettre en œuvre. L'équipe prévoit également d'étendre sa technologie pour identifier des défauts plus larges, tels que les joints de grains et les dislocations. Les chercheurs soulignent que cette méthode représente un nouveau paradigme en science des défauts. Bien que les signaux soient imperceptibles à l'œil nu, l'IA permet de décoder ces motifs pour atteindre la vérité scientifique. Cette avancée est soutenue par le Département de l'Énergie et la National Science Foundation, et l'article détaillant ces travaux a été publié dans la revue Matter. L'adoption de ces outils d'intelligence artificielle pourrait révolutionner le contrôle qualité dans l'industrie technologique, permettant de mieux maîtriser l'équilibre subtil entre les défauts bénéfiques et nuisibles nécessaires à la performance des matériaux.