IA dans les sciences – 2

Voici la seconde partie de l’IA dans les Sciences

A universal graph deep learning interatomic potential for the periodic table

MG3Net sera peut-être le grand artisan d’une véritable révolution en sciences des matériaux, un peu comme AlphaFold pour les protéines.

Introduction

L’objectif des chercheurs en science des matériaux est de comprendre la nature, la structure et les propriétés des substances du monde qui nous entoure. C’est une branche incroyablement vaste de la recherche scientifique ; elle est au cœur de très nombreuses révolutions techniques dans des domaines excessivement importants, autant pour la recherche fondamentale que pour le quotidien de l’humanité.

Mais aussi intéressante soit-elle, elle peut être assez ingrate à cause de sa complexité formidable. En effet, la science des matériaux est à l’intersection de très nombreuses disciplines. Pour comprendre la matière, il faut explorer ses propriétés chimiques, mécaniques, thermiques, électriques… Cela implique de s’appuyer sur des équipes de spécialistes qui disposent de compétences poussées dans de nombreux domaines.

C sont des travaux de fond extrêmement fastidieux qui ont tendance à produire de petites avancées incrémentales. Les révolutions sont donc assez rares dans ce domaine… du moins, pour le moment. Car ces dernières années, les chercheurs ont suivi avec intérêt la montée en puissance d’un outil très prometteur dans le cadre de cette activité : l’intelligence artificielle.

L’AlphaFold des matériaux

Désormais, les chercheurs en sciences des matériaux espèrent parvenir à une avancée comparable dans leur domaine grâce à l’IA. Et l’idée est extrêmement séduisante, car ils pourraient utiliser les mêmes qualités de ces algorithmes qui ont déjà permis à AlphaFold de faire son office.

On pense notamment à leur puissance combinatoire. Dans le cas d’AlphaFold, l’IA a pu tester des milliards de combinaisons et de possibilités pour déterminer les fameuses structures 3D des protéines. Et surtout, elle a pu le faire à une vitesse incroyable, bien supérieure à tous les algorithmes traditionnels basés sur la force brute.

Ici, c’est un peu la même idée. Sur le papier, une IA pourrait explorer des tas de façons d’arranger les atomes pour identifier les propriétés physiques et chimiques des matériaux. Elle pourrait ainsi permettre d’en améliorer certains, ou même de prévoir les propriétés de nouvelles substances encore inconnues.

Et c’est précisément ce qu’a réussi à faire une équipe de l’Université de Californie à San Diego avec M3GNet, un outil basé sur l’IA. Son objectif : construire un catalogue de matériaux un peu particulier. Ils pourraient tous exister en accord avec les lois de la physique; mais ils n’ont jamais été identifiés et restent donc hypothétiques.

31 millions de matériaux inconnus simulés

Comme toujours avec ces algorithmes, il a d’abord fallu l’entraîner. Pour ce faire, ils se sont appuyés sur l’immense base de données du Materials Project. C’est un projet de recherche dont l’objectif est de construire une vaste encyclopédie des matériaux et de leurs propriétés.

Ces informations ont été décortiquées par le programme, qui les a ensuite croisées et recombinées de toutes les façons possibles et imaginables. C’est un peu comme démonter une construction en LEGO pour en assembler de nouvelles à partir des mêmes pièces.

Extrait de l’article : Une intelligence artificielle a identifié 31 millions de matériaux inconnus
Publié sur Le Journal du Geek par Antoine Gautherie le 17 décembre 2022

Texte source de l’étude : A universal graph deep learning interatomic potential for the periodic table

Des universitaires américains ont mis au point M3GNet, une intelligence artificielle capable de créer des matériaux et n’ayant jamais été imaginés ou testés. Cette IA révolutionnaire sait prédire les propriétés de ces assemblages. Elle est notamment utilisée pour accélérer la recherche sur les batteries Lithium.

L’étude

Le nerf de la guerre de la mobilité reste l’autonomie et les labos du monde entier planchent sur l’optimisation des batteries. Du côté du Lithium-ion les scientifiques cherchent toujours à améliorer les rendements et à renforcer à la fois la sécurité et la durée de vie des batteries. Cela passe par des technologies prometteuses, comme celles des batteries à semi-conducteurs, mais la mise au point de nouveaux matériaux et d’alliages pour augmenter la longévité, l’autonomie et la vitesse de recharge est plutôt laborieuse. Il faut bien souvent des années de recherche pour valider une avancée. Résultat, pour gagner du temps, c’est encore une fois l’Intelligence artificielle qui sert d’accélérateur. Celle mise au point par les chercheurs de la Jacobs School of Engineering de l’Université de Californie à San-Diego aux Etats-Unis, porte le nom de M3GNet.

Justement, cette IA est actuellement exploitée pour imaginer des matériaux jamais synthétisés pour les batteries. Avec l’une de ses créations, les chercheurs devraient pouvoir mettre au point un matériau qui pourrait améliorer la conductivité des ions lithium dans une électrode. L’idée consiste notamment à rendre la charge encore plus rapide. Outre cet exemple, M3GNet, vient piocher dans le tableau périodique des éléments pour générer d’innombrables combinaisons interatomiques. Elle peut créer toutes sortes de formules et composer des bétons, des métaux et des éléments biologiques.

L’algorithme mis au point par les chercheurs génère des assemblages d’éléments et réalise des prédictions sur le comportement dynamique de cette construction.© Shyue Ping Ong, Jacobs School of Engineering, Université de Californie à San Diego.

L’intelligence artificielle : un puissant accélérateur de recherche

Non content de combiner les atomes, l’IA est très douée pour prédire la structure et les propriétés dynamiques induites de ces matériaux inédits. Et contrairement aux très longs et laborieux travaux de labo, elle le fait vite, très vite, même, puisqu’elle est parvenue à assembler plus de 31 millions de nouveaux matériaux et prédire leur comportement. Sur ce nombre, les scientifiques ont estimé à un million, les formules qui devraient être stables.

Les scientifiques, dont les travaux ont fait l’objet d’une publication dans la revue Nature, expliquent que M3GNet est comparable au programme AlphaFold de DeepMind (Google). Cette IA s’est spécialisée dans le décodage de la structure des protéines. Une véritable révolution qui a permis de prédire la structure 3D de millions de protéines en quelques semaines alors qu’il avait fallu des décennies pour en décoder une toute petite partie. M3GNet se veut le jumeau expert en matériaux de cette IA. Un tel outil peut permettre de tester plus rapidement les propositions de l’algorithme et cela pourrait bien donner un sacré coup d’accélérateur à la recherche sur les technologies de batteries, mais aussi des semi-conducteurs et des matériaux dans bien d’autres domaines. Les scientifiques ont publié le code python de M3GNet en open source sur Github. Autrement dit, tout un chacun peut le consulter et éventuellement l’améliorer et se l’accaparer.

C’est comparable au programme AlphaFold de DeepMind.

Cette IA s’est spécialisée dans le décodage de la structure des protéines. Une véritable révolution qui a permis de prédire la structure 3D de millions de protéines en quelques semaines alors qu’il avait fallu des décennies pour en décoder une toute petite partie. M3GNet se veut le jumeau expert en matériaux de cette IA. Un tel outil peut permettre de tester plus rapidement les propositions de l’algorithme et cela pourrait bien donner un sacré coup d’accélérateur à la recherche sur les technologies de batteries, mais aussi des semi-conducteurs et des matériaux dans bien d’autres domaines. Les scientifiques ont publié le code python de M3GNet en open source sur Github. Autrement dit, tout un chacun peut le consulter et éventuellement l’améliorer et se l’accaparer.

• Cette IA peut détecter un cambrioleur à travers un mur grâce au réseau Wi-Fi
  Grâce à quelques routeurs Wi-Fi bon marché et une intelligence artificielle, il est possible d’espionner quelqu’un à travers les murs de sa maison, ou de détecteur un intrus…
  Publié sur 01Net par Florian Bayard  le 19 janvier 2021
• Des ordinateurs basés sur des neurones vivants
  Nos cerveaux sont bien plus puissants que l’intelligence artificielle : pour multiplier la puissance de l’IA, des scientifiques espèrent la coupler à des organoïdes cérébraux, ces cultures cellulaires mimant – de façon très simplifiée – notre encéphale.
  Publié sur Sciences et Avenir par Camille Gaubert le 28 février 2023
• D’autres à venir…

Je vole un article : C’est quoi, un réseau de neurones mécaniques ?
Publié sur Le Journal du Net par Antoine Gautherie le 27 octobre 2022

Cette matrice permettrait de construire des structures capables d’ « apprendre » à optimiser leur propre résistance

Lorsqu’on parle de réseaux de neurones, la conversation tourne généralement autour du cerveau ou de l’intelligence artificielle. Mais une équipe de l’Université de Californie à Los Angeles (UCLA) est en train d’explorer une nouvelle définition du concept : dans leur papier de recherche publié dans Science Robotics, ils décrivent une sorte de treillis mécanique capable d’« apprendre » et de modifier ses propriétés physiques en temps réel.

Ce concept, les chercheurs l’ont baptisé “réseau de neurones mécanique“. Comme son nom l’indique, l’idée est directement inspirée par les réseaux de neurones virtuels avec lesquels travaillent les chercheurs en IA. Ces derniers sont constitués de plusieurs couches de nœuds (les neurones) interconnectés. Ces systèmes évoluent au fil des itérations en changeant l’importance de chaque liaison (ou, plus précisément, le coefficient qui lui est associé).

C’est ce mode de fonctionnement qui permet aux systèmes basés sur l’IA d’« apprendre » pour optimiser le résultat final. Les chercheurs d’UCLA se sont donc demandé s’il était possible de faire de même avec une structure physique, pour qu’elle puisse adapter progressivement ses propriétés physiques à son environnement.

Un système solide, dynamique et extensible en apprentissage constant

Pour le vérifier, ils ont construit un prototype en deux dimensions. Dans cette structure, ce sont de gros pistons qui se chargent de relier les différents nœuds. Ils sont munis de capteurs qui permettent de déterminer l’intensité des contraintes en chaque point du système.

Un algorithme d’optimisation se charge de collecter l’ensemble de ces mesures. Il calcule ensuite la façon dont le système devrait réagir pour diminuer autant que possible les faiblesses structurelles. Une fois ces opérations effectués, la longueur de chaque piston est ajustée pour s’approcher au plus près de la configuration optimale. On se retrouve donc avec une structure dynamique qui peut se montrer exceptionnellement résistante dans toutes les situations.

Les auteurs donnent l’exemple d’une aile d’avion. Les ingénieurs en aéronautique travaillent avec des marges de sécurité énormes; en pratique, le risque de rupture est donc extrêmement faible. Mais si l’aile si elle se retrouve quand même confrontée à une bourrasque beaucoup plus puissante que prévu, elle ne pourrait pas s’adapter en temps réel pour y résister.

En revanche, une aile construite autour d’un réseau de neurones mécaniques de ce genre en serait capable. L’algorithme pourrait assouplir certaines connexions et en renforcer d’autres pour éviter une rupture complète – le tout en temps réel. En outre, au fil de ces ajustements, le système gardera ces contraintes en mémoire. Il pourra donc y répondre encore plus efficacement si la situation se présente à nouveau. Les chercheurs comparent ce comportement à la mémoire musculaire.

L’étude complète : Mechanical neural networks: Architected materials that learn behaviors

L’article complet : C’est quoi, un réseau de neurones mécaniques ?

Ask a question, get conclusions from research papers

Posez une question, obtenez des conclusions à partir de documents de recherche

La situation

Obtenir des réponses fiables émanant d’études scientifiques validées, c’est ce que propose un moteur de recherche portant le nom circonstancié de Consensus. Avant de pouvoir l’utiliser, il faut d’abord se créer un compte via une adresse e-mail, ou un compte Facebook ou Google. Ensuite, sur la page d’accueil, dans le champ de recherche, il suffit de lui poser une question en anglais, pour qu’il aille faire le tour des publications scientifiques réputées comme fiables et dresse une liste des résultats.

L’outil Consensus ne se limite pas à afficher des résultats de travaux de recherche difficiles à interpréter par le néophyte. Son IA embarquée sait aussi générer une synthèse à partir des articles pertinents pour répondre à la question posée. Pour cela, il suffit de cliquer sur l’interrupteur « Synthétiser ». Le moteur de recherche peut tout aussi bien extraire le résumé d’une étude. Dans tous les cas, lors de notre test, nous avons pu remarquer qu’il vaut mieux qu’il y ait vraiment consensus scientifique et que le sujet soit précis si l’on souhaite obtenir des sources cohérentes.

Des erreurs de jeunesse ?

À la question : « est-ce que l’hydroxychloroquine (HCQ) est efficace pour traiter la Covid-19 ? », le moteur de recherche est resté assez nuancé et a mis en avant des publications allant dans le sens d’une certaine efficacité alors que depuis maintenant trois ans, de nombreux travaux scientifiques solides ont prouvé le contraire. Il faut également souligner que les premières sources listées datent de 2020. Il met aussi en avant beaucoup d’articles pré-publiés. Toujours sur ce sujet, certaines sources sont qualifiées comme rigoureuses alors que la communauté scientifique sait bien que ce n’est pas le cas. Sur ce même sujet, le premier résultat émane, par exemple, de News Microbes and News Infection, une publication dont le responsable est un collaborateur bien identifié de Didier Raoult. Enfin, si l’on consulte le compteur de consensus affiché par l’outil (Consensus meter), il apparaît qu’au final cette évaluation n’est réalisée que sur les seuls 15 premiers résultats alors qu’il y a eu des centaines de publications sur le sujet.

Comment accéder à Consensus ?

Si vous êtes un nouvel utilisateur, vous devez vous enregistrer au préalable. Ceci par le bouton Sign In. Il est possible de s’enregistrer avec un compte Facebook, Google ou par votre adresse mail. Si vous êtes déjà enregistré, il y a juste à cliquer sur Sign Up.

Voila, vous êtes sur la page principale !

La saisie de votre question se fait donc classiquement par la boite de saisie et validez par la petite loupe à droite.

Un peu en dessous, des exemples sont disponibles.

Adresse de cette application : Consensus