Intelligence artificielle
5 percées de l’IA qui transforment la découverte de matériaux aujourd’hui
L’intelligence artificielle (IA) continue de transformer le monde et de remodeler l’avenir de l’humanité.
La technologie engendre des changements dans presque tous les secteurs en accomplissant des tâches qui nécessitent généralement l’intelligence humaine. Les systèmes d’IA utilisent d’énormes quantités de données pour identifier des motifs et prendre des décisions.
Ainsi, l’IA peut simuler certains niveaux de raisonnement et de processus cognitifs semblables à ceux des humains.
Selon le World Trade Report, les gains de productivité et les avantages en coûts de l’IA peuvent augmenter le PIB mondial de 12 à 13 % d’ici 2040.
En réduisant leur écart d’infrastructure numérique avec les économies à revenu élevé de 50 % et en adoptant l’IA plus largement, les économies à revenu faible et intermédiaire peuvent voir une augmentation pouvant atteindre 15 % de leurs revenus.
En plus d’aider les nations à renforcer leur productivité, leur commerce et leur position économique, l’IA peut aider la société en stimulant l’innovation dans tous les secteurs. L’une des manières dont la technologie le fait actuellement est la découverte de matériaux.
La promesse de l’IA dans la découverte de matériaux
La découverte de matériaux a toujours été essentielle à l’innovation. Il y a plusieurs siècles, le mélange de cuivre et d’étain a conduit à l’Âge du bronze, lorsque des outils et des armes plus solides ont transformé le commerce et les sociétés.
Vint ensuite l’Âge du fer, où la maîtrise du fer a remodelé les économies. En avançant jusqu’au XIXe siècle, l’acier a été largement adopté. Alliage de fer et de carbone, l’acier était l’épine dorsale des chemins de fer, des gratte-ciel, des navires et des machines, alimentant la Révolution industrielle et l’expansion mondiale.
À la fin du XXe siècle, l’Âge du silicium a transformé le monde grâce à la découverte et au perfectionnement des semi-conducteurs, qui sont la base de l’électronique moderne. Nous sommes maintenant dans l’ère des matériaux avancés, où le graphène, les nanotubes de carbone et les matériaux quantiques ouvrent la voie à une énergie plus propre, des avions plus légers et un calcul plus rapide.
L’avènement de l’IA et de l’apprentissage automatique (ML) contribue à l’innovation dans les matériaux et, par extension, dans diverses industries en accélérant considérablement le processus de découverte, de conception et d’optimisation des matériaux.
Pour cela, l’IA utilise des algorithmes et des modèles pour parcourir d’immenses bases de données de candidats répondant à des besoins d’application spécifiques. Ici, les modèles d’apprentissage profond tels que les réseaux de neurones graphiques (GNN) et les réseaux de neurones récurrents (RNN) sont essentiels pour analyser les ensembles de données complexes que l’on trouve en science des matériaux.
Ils peuvent également identifier des matériaux existants possédant les propriétés souhaitées à partir de ces bases de données et même prédire les propriétés des matériaux en fonction de leur composition et de leur structure.
Avec l’aide de l’IA, le domaine de la science des matériaux peut dépasser les méthodes traditionnelles d’essais et d’erreurs, qui sont chronophages et coûteuses.
De plus, les modèles d’IA peuvent générer de nouvelles structures de matériaux adaptées à des exigences spécifiques. Lorsqu’ils sont intégrés à des plateformes expérimentales automatisées, l’IA peut accélérer le long processus de découverte de matériaux jusqu’à la production.
Malgré ces avantages, des défis subsistent en ce qui concerne le manque de données de qualité et abondantes pour certains matériaux. La synthèse réussie de matériaux nouvellement découverts et conçus en laboratoire représente un autre grand défi.
Le scientifique des matériaux Anthony Cheetham de l’UCSB a commenté1 dans Nature après avoir examiné la liste de 2,2 millions de cristaux hypothétiques découverts par GNoME, un outil d’IA de DeepMind, filiale d’Alphabet (Google), « Découvrir un composé est une chose, découvrir un nouveau matériau fonctionnel en est une tout à fait différente ».
En soulignant davantage l’impraticabilité de nombreux composés prédits par l’IA, Cheetham a déclaré :
« Nous avons trouvé pas mal de choses qui étaient ridicules. »
Cela montre l’écart entre la prédiction et la réalisation pratique. Ce que cet écart nécessite, c’est la combinaison de l’IA avec l’expertise humaine et la science expérimentale.
Pourtant, la promesse de l’IA de révolutionner la science des matériaux ne peut simplement pas être ignorée. Étant donné sa capacité à accélérer le développement de matériaux pour l’énergie, la santé, l’automobile, l’aérospatiale et d’autres applications cruciales, cet impact est trop important pour être négligé.
Alors, examinons quelques-uns des exemples les plus marquants de l’application de l’IA en science des matériaux qui illustrent son potentiel à repousser les limites de la découverte et de l’innovation de matériaux.
Swipe to scroll →
| Domaine | Percée IA (aller à la section) | Résultat réel |
|---|---|---|
| Cellules solaires à pérovskite | Traitement guidé par ML & conception inverse |
Cellules à air libre à grande échelle ; découverte de HTM ; classe d’efficacité ~26,2 % |
| Électrocatalyseurs pour l’hydrogène | Recherche de composition MPEA conçue par IA |
Surpotentiels ultra‑faibles (HER/OER), stabilité robuste |
| Matériaux superdurs | ML + recherche évolutive pour les phases B–C–N |
Phases stables prédites >40 GPa de dureté |
| Diélectriques polymères | Découverte de mélanges assistée par IA & criblage HT |
Jusqu’à 11× la densité d’énergie à 200 °C (8,3 J cc⁻¹) |
| Électrolytes à l’état solide | Criblage IA/HPC de candidats inorganiques |
Nouveaux conducteurs (p. ex., N2116, Li8B10S19) |
1. Cellules solaires à pérovskite : matériaux et procédés optimisés par IA
L’une des solutions les plus prometteuses pour atteindre une énergie durable est l’énergie solaire, et son adoption augmente rapidement. En 2024, le monde a installé un record d’environ 600 GW d’énergie solaire, en hausse de 33 % par rapport à 2023. D’ici la fin de la décennie, on s’attend à ce que cela atteigne environ 1 TW par an.
Cette demande croissante d’énergie solaire crée le besoin de matériaux plus efficaces, polyvalents et économiques pour les cellules solaires.
Le pérovskite est un tel matériau qui offre une structure cristalline unique. Le minéral naturellement présent peut désormais être recréé synthétiquement. En mélangeant des éléments organiques et inorganiques, les scientifiques créent des pérovskites synthétiques qui présentent des propriétés d’absorption de la lumière remarquables, les rendant très adaptés aux applications solaires.
En plus de leur haute efficacité, ces matériaux offrent les avantages de la flexibilité et d’une bande interdite réglable, mais les problèmes d’évolutivité et de stabilité persistent ; d’où la recherche de nouvelles compositions.
Ainsi, les chercheurs se sont tournés vers l’IA pour corréler les performances des cellules solaires à pérovskite (PSC) avec les propriétés des matériaux et les processus de conversion d’énergie il y a plus d’une décennie. Ils ont ensuite utilisé la technologie pour optimiser la composition des matériaux, développer des stratégies de conception et prédire les performances.
En 2019, des chercheurs de l’University of Central Florida ont examiné2 plus de 2 000 publications évaluées par des pairs sur le pérovskite afin de collecter plus de 200 points de données, qui ont été alimentés dans le système d’IA qu’ils ont créé pour obtenir la meilleure formule pour les cellules solaires à pérovskite (PSC). La même année, des scientifiques du MIT ont développé3 un modèle pour accélérer la synthèse et l’analyse de nouveaux composés d’un facteur dix et ont découvert deux nouveaux pérovskites sans plomb dignes d’une investigation supplémentaire.
En 2022, des chercheurs du MIT et de l’Université Stanford ont rapporté4 avoir bénéficié de l’IA pour augmenter la production de cellules solaires avancées.
Pour cela, un système a été créé, en développement depuis plusieurs années, afin d’intégrer les données des expériences antérieures ainsi que les informations basées sur les observations personnelles des travailleurs expérimentés. Cette intégration a rendu les résultats plus précis et a conduit à la fabrication de cellules à pérovskite avec une efficacité de conversion énergétique de 18,5 %.
Cela diffère de la plupart des systèmes d’apprentissage automatique, qui utilisent principalement des données brutes et n’incorporent généralement pas l’expérience humaine. Pour inclure des informations externes dans leur modèle, ils ont utilisé un facteur de probabilité basé sur l’optimisation bayésienne, leur permettant de « déceler des tendances que nous ne pouvions pas voir auparavant ».
La découverte de la technologie solaire à pérovskite avancée avec l’aide de l’IA se poursuit et gagne en rapidité pour augmenter l’efficacité des PSC. Dans une telle étude5, l’efficacité a été portée à 26,2 % tout en économisant « d’énormes quantités de temps et de ressources ».
2. Électrocatalyseurs découverts par IA pour la production d’hydrogène
Un substitut prometteur aux combustibles fossiles non renouvelables responsables d’énormes quantités d’émissions de gaz à effet de serre est l’hydrogène. L’élément le plus abondant de l’univers, l’hydrogène, s’est imposé comme une source d’énergie propre et renouvelable.
Cependant, la production efficace d’hydrogène pour répondre à la demande à l’échelle commerciale constitue un défi sérieux. Ici, l’électrolyse de séparation de l’eau offre une voie prometteuse, où l’électrocatalyse joue un rôle crucial. Cela rend le développement de catalyseurs électrocatalytiques à faible coût, actifs et stables une condition préalable essentielle pour obtenir une production d’hydrogène électrocatalytique souhaitée à partir de la séparation de l’eau.
Les électrocatalyseurs accélèrent la production d’hydrogène en réduisant l’énergie nécessaire à la séparation de l’eau en utilisant des métaux précieux coûteux comme le platine ou des alternatives plus abordables telles que le nickel, le cobalt, le graphène, les MXènes et d’autres.
Outre les propriétés et le coût du matériau, un catalyseur spécifique est choisi en fonction du fait que la réaction soit acide, alcaline ou fonctionne à haute température.
Cependant, il est très chronophage et coûteux d’utiliser la méthode traditionnelle d’essais et d’erreurs pour rechercher des matériaux existants et nouveaux adaptés afin d’améliorer les réactions, ainsi l’IA est utilisée6 pour surmonter les limites des approches traditionnelles, découvrir de nouveaux candidats et améliorer les produits connus.
Une étude récente a rapporté7 que son IA filtrée par entropie, entraînée sur un jeu de données DoE, a parcouru 16,2 millions de compositions chimiques pour identifier Fe12Co28Ni33Mo17Pd5Pt5 comme la meilleure composition pour la séparation de l’eau. L’alliage présente des surpotentiels ultra‑faibles pour les deux réactions électrocatalytiques fondamentales, HER et OER, tout en affichant une stabilité robuste.
Parallèlement, il y a quelques années, le laboratoire d’IA de Google DeepMind a contribué à 380 000 nouveaux composés au Materials Project, une plateforme qui sous-tend de nombreuses recherches de catalyseurs et expériences autonomes.
La base de données en accès libre créée au Berkeley Lab du Département de l’Énergie a été utilisée par des chercheurs pour confirmer expérimentalement des propriétés utiles dans de nouveaux matériaux montrant un potentiel d’utilisation dans la capture du carbone et comme photocatalyseurs, thermoelectriques et conducteurs transparents.
La base de données inclut la façon dont les atomes d’un matériau sont disposés et sa stabilité. GNoME a été entraîné en utilisant les données et les flux de travail développés par le projet, puis amélioré grâce à l’apprentissage actif.
En utilisant les calculs de GNoME de Google DeepMind ainsi que les données du Materials Project, les chercheurs ont testé A-Lab, une installation au Berkeley Lab où l’IA guide des robots dans la création de nouveaux matériaux. A-Lab a réussi à produire8 41 nouveaux composés.
3. Matériaux superdurs : découverte guidée par ML au-delà du diamant
Des industries telles que la défense, l’aérospatiale et la production d’énergie exigent des matériaux superdurs, qui sont des solides pratiquement incompressibles. La valeur de dureté de ces matériaux dépasse 40 gigapascals (GPa) sur l’échelle Vickers, et ils possèdent une forte covalence des liaisons et une haute densité électronique.
Le diamant est le matériau le plus dur connu à ce jour, affichant une dureté comprise entre 70 et 150 GPa. Cela signifie qu’il faut une pression supérieure à 70‑150 GPa pour laisser une indentation sur la surface du diamant. En conséquence, il est utilisé dans les outils de coupe, les abrasifs, les revêtements résistants à l’usure et pour créer des expériences à haute pression.
Ces pierres précieuses, qui sont une forme solide de l’élément carbone avec ses atomes disposés dans une structure cristalline cubique de type diamant, sont également utilisées par les scientifiques pour trouver de nouveaux matériaux appropriés. Mais l’IA a changé cela.
Au fil des ans, plusieurs chercheurs ont découvert9 de nouvelles phases superdures, avec un rapportant10 BC10N, B4C5N3 et B2C3N présentant des phases dynamiquement stables avec des valeurs de dureté > 40 GPa.
En 2020, des chercheurs de l’University of Houston et du Manhattan College ont utilisé11 un modèle ML pour prédire avec précision la dureté de nouveaux matériaux, leur permettant ainsi de trouver plus facilement des composés appropriés.
La quantité de haute pression requise pour laisser une marque sur la surface d’un matériau les rend rares, et « identifier de nouveaux matériaux est difficile ». C’est exactement pourquoi, « les matériaux comme le diamant synthétique sont encore utilisés même s’ils sont difficiles et coûteux à fabriquer », a déclaré le co-auteur du papier Jakoah Brgoch, professeur associé de chimie à l’University of Houston.
Un facteur de complication ici est la dépendance à la charge, ce qui signifie que la dureté d’un matériau peut varier en fonction de la pression exercée. Cela rend les tests expérimentaux d’un matériau complexes. Même l’utilisation de la modélisation computationnelle est presque impossible, les chercheurs ont donc créé un modèle qui surmonte ce défi en prédisant la dureté Vickers dépendante de la charge uniquement à partir de la composition chimique du matériau.
L’algorithme s’appuyait sur une base de données impliquant 560 composés différents qui nécessitaient de parcourir des centaines d’articles académiques. « Tous les bons projets d’apprentissage automatique commencent par un bon jeu de données, » a déclaré Brgoch. « Le vrai succès repose en grande partie sur le développement de ce jeu de données. »
En conséquence, ils ont découvert plus de 10 nouvelles phases de borocarborides stables, et avec une précision du modèle de 97 %, ils sont optimistes quant à la réussite en laboratoire.
L’IA n’est pas sans limites, cependant, comme l’a souligné Brgoch, « L’idée d’utiliser l’apprentissage automatique n’est pas de dire « Voici le prochain meilleur matériau », mais d’aider à guider notre recherche expérimentale. » Ce que fait la technologie, c’est « elle vous indique où chercher ».
4. Diélectriques polymères : matériaux de stockage d’énergie accélérés par IA
Un composant essentiel du stockage d’énergie moderne est les diélectriques, qui sont des matériaux non conducteurs tels que l’air, le verre et le plastique.
Le choix du matériau diélectrique détermine la densité d’énergie des condensateurs, et les diélectriques polymères sont largement utilisés pour le stockage d’énergie en raison de leur faible coût, de leur flexibilité mécanique, de leur fiabilité, de leur vitesse de décharge rapide et de leur facilité de traitement. Mais encore une fois, leur faible densité d’énergie constitue un problème.
En conséquence, les chercheurs cherchent continuellement à améliorer les performances en développant de nouveaux diélectriques polymères afin d’augmenter leur capacité de stockage d’énergie pour des applications dans les systèmes d’alimentation, l’électronique et les véhicules électriques (VE).
L’IA a réalisé d’énormes progrès dans les matériaux polymères. Par exemple, il y a seulement quelques mois, des chercheurs du MIT et de l’Université Duke ont collaboré pour créer12 des polymères plus durables en incorporant des molécules de réticulation sensibles au stress, qui ont été identifiées par l’IA. Les chercheurs du MIT ont également construit13 un système qui trouve, mélange et teste jusqu’à 700 nouveaux mélanges polymères par jour pour des applications telles que les électrolytes de batterie, la stabilisation des protéines ou les matériaux de libération de médicaments.
Concevoir de nouveaux mélanges polymères pose le problème d’un nombre presque infini de polymères possibles de départ, et une fois que quelques-uns ont été sélectionnés pour le mélange, la composition de chaque polymère doit être choisie ainsi que la concentration des polymères dans le mélange.
« Disposer d’un espace de conception aussi vaste nécessite des solutions algorithmiques et des flux de travail à haut débit, car il serait impossible de tester toutes les combinaisons par force brute. »
– Auteur principal du papier, Connor Coley
Leur système d’IA leur a fourni des mélanges optimaux, le meilleur affichant une performance 18 % supérieure à celle de ses composants individuels.
Compte tenu de l’efficacité avec laquelle l’IA fournit de nouvelles options et mélanges de polymères, il est logique de appliquer la technologie14 pour identifier de meilleurs diélectriques polymères15.
Une équipe de chercheurs a fait exactement cela et a découvert16 des diélectriques avec 11 fois la densité d’énergie des alternatives commerciales à des températures élevées.
L’algorithme innovant a été développé pour prédire les propriétés et les formulations des polymères avant même de les créer. Pour cela, ils ont d’abord défini des exigences spécifiques puis entraîné les modèles ML sur des données existantes de propriétés des matériaux afin de prédire les résultats souhaités.
En plus de l’IA, les chercheurs ont utilisé la chimie polymère établie et l’ingénierie moléculaire pour découvrir une série de diélectriques dans les familles du polynorbornène et du polyimide, dont beaucoup affichent une haute densité d’énergie et une grande stabilité thermique sur une large plage de températures.
Mais l’un d’entre eux présentait une densité d’énergie de 8,3 J cc⁻¹ à 200 °C, ce qui est bien plus élevé que le diélectrique polymère disponible commercialement.
« Au début de l’IA en science des matériaux, propulsée par l’Initiative du génome des matériaux de la Maison-Blanche il y a plus d’une décennie, la recherche dans ce domaine était principalement motivée par la curiosité. Ce n’est que ces dernières années que nous avons commencé à voir des histoires de succès tangibles et concrètes dans la découverte accélérée de polymères guidée par l’IA, » a déclaré le co-auteur Rampi Ramprasad, professeur à l’Georgia Institute of Technology. « Ces succès inspirent désormais d’importantes transformations dans le paysage de la R&D industrielle des matériaux. »
5. Électrolytes solides : IA pour des batteries plus sûres et à plus haute densité
Impulsé par l’adoption généralisée des appareils portables et des véhicules électriques ainsi que par la demande croissante de solutions de stockage d’énergie renouvelable, le marché mondial des batteries progresse rapidement17. Étant donné le rôle important que les batteries jouent dans le monde moderne, les scientifiques s’efforcent constamment de développer une technologie de batterie plus efficace sur le plan énergétique et plus sûre.
Alors que les batteries lithium-ion sont les plus largement utilisées aujourd’hui, elles ont une durée de vie limitée et présentent des risques de sécurité, qui sont résolus par les batteries à l’état solide (SSB).
Ces batteries remplacent les électrolytes liquides par des électrolytes à l’état solide afin d’éliminer le risque d’inflammation à des températures élevées tout en permettant une densité d’énergie plus élevée et en améliorant la durabilité, créant ainsi des batteries plus sûres et plus puissantes.
Mais ces batteries à électrolytes solides rencontrent leurs propres défis, tels que la faible conductivité ionique, la compatibilité de l’interface électrode, la stabilité mécanique et chimique, ainsi que la fabrication rentable. Ainsi, les chercheurs explorent des matériaux capables de surmonter ces problèmes grâce à l’IA.
Contrairement aux autres domaines que nous avons abordés aujourd’hui, les batteries sont l’un des secteurs les plus dynamiques où l’application de l’IA18 a explosé en raison de l’implication des principaux constructeurs automobiles et des startups qui investissent massivement dans la R&D des batteries à l’état solide. En plus du risque de sécurité, le secteur a également accumulé d’importantes bases de données, suffisamment riches pour entraîner des modèles d’apprentissage automatique.
Même les gouvernements ont classé les SSB comme une priorité stratégique pour sécuriser les chaînes d’approvisionnement nationales et atteindre les objectifs nationaux en matière d’énergie et de climat.
Ainsi, il existe plusieurs cas où l’IA a aidé19 les chercheurs et les entreprises à découvrir de nouveaux électrolytes solides.
L’année dernière, des chercheurs de Microsoft ont utilisé l’IA avec des supercalculateurs pour parcourir 32 millions de matériaux inorganiques potentiels afin de trouver 18 candidats prometteurs20 en quelques jours. Le nouveau matériau, N2116, est un électrolyte à l’état solide qui peut réduire l’utilisation du lithium dans les batteries de 70 % et a été testé pour alimenter une ampoule.
L’outil d’IA GNoME de DeepMind, entre-temps, a identifié21 528 conducteurs lithium-ion prometteurs, dont certains pourraient aider à rendre les batteries plus efficaces.
Ensuite, il y a LBS22 (Li8B10S19) des chercheurs de Stanford, qui l’ont qualifié de « l’électrolyte lithium-ion à base de soufre le plus stable que nous ayons jamais observé expérimentalement ». Les chercheurs ont d’abord identifié23 des électrolytes solides pour remplacer un jour les électrolytes liquides inflammables dans les batteries Li-ion grâce à l’IA il y a environ une décennie.
Conclusion
Ces exemples montrent que l’IA peut accélérer la découverte de nouveaux matériaux. Le défi actuel consiste à transformer les prédictions informatiques en résultats concrets, ce qui implique d’associer l’IA à des chercheurs expérimentés et à des données fiables.
Swipe to scroll →
| Percée | Principal avantage |
|---|---|
| Pérovskite solaire | Efficacité supérieure, cellules évolutives |
| Catalyseurs à hydrogène | Séparation de l’eau à faible coût, stable |
| Matériaux superdurs | Nouvelles phases ultra‑dures >40 GPa |
| Diélectriques polymères | 11× densité d’énergie à haute température |
| Électrolytes solides | Batteries plus sûres, à plus haute densité |
Ce que nous observons est encore à un stade précoce. Ces découvertes nous rapprochent d’une énergie plus propre, de technologies plus sûres, de matériaux plus résistants et d’industries qui ne drainent pas la planète. L’IA change la façon dont nous faisons la science des matériaux, et cela compte pour ce qui vient ensuite.
Cliquez ici pour tout savoir sur l’investissement dans l’intelligence artificielle.
Références
1. Peplow, M. (2025). L’IA imagine des millions de nouveaux matériaux. Sont-ils bons ? Nature, 646, 22–25. Publié le 1 octobre 2025. https://doi.org/10.1038/d41586-025-03147-92
2. University of Central Florida. (16 décembre 2019). L’intelligence artificielle peut aider les scientifiques à fabriquer des cellules solaires pulvérisées. ScienceDaily. Publié le 16 décembre 2019 https://www.sciencedaily.com/releases/2019/12/191216122415.htm
3. 3. Gu, Y., Wang, Z., Chen, L., Bi, W., & Peng, Y. (2019). Cellules solaires à pérovskite à haute efficacité via dépôt vapeur à source unique. Joule, 3(12), 3026–3043. https://doi.org/10.1016/j.joule.2019.09.016
4. 4. Liu, Z., Rolston, N., Flick, A. C., Colburn, T. W., Ren, Z., Dauskardt, R. H. & Buonassisi, T. (2022). Apprentissage automatique avec contraintes de connaissances pour l’optimisation des processus de fabrication de cellules solaires à pérovskite en plein air. Joule, 6(4), 834. https://doi.org/10.1016/j.joule.2022.03.003
5. 5. Wu, J., Torresi, L., Hu, M., Reiser, P., Zhang, J., Rocha‑Ortiz, J. S., Wang, L., Xie, Z., Zhang, K., Park, B.-w., Barabash, A., Zhao, Y., Luo, J., Wang, Y., Lüer, L., Deng, L.-L., Hauch, J. A., Guldi, D. M., Pérez‑Ojeda, M. E., Seok, S. I., Friederich, P. & Brabec, C. J. (2024). Le flux de travail de conception inverse découvre des matériaux de transport de trous adaptés aux cellules solaires à pérovskite. Science, 386(6727), 1256‑1264. Publié le 13 décembre 2024. https://doi.org/10.1126/science.ads0901
6. 6. Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y. & Wang, X. (2024). Déverrouiller le potentiel : applications de l’apprentissage automatique dans la conception d’électrocatalyseurs pour la transformation de l’énergie hydrogène électrochimique. Chemical Society Reviews, 53, 11390–11461. Publié le 9 octobre 2024. https://doi.org/10.1039/D4CS00844H
7. 7. Kim, J., Kim, D. W., Choi, J. H., Goddard, W. A., & Kang, J. K. (2025). Conception guidée par IA d’alliages à éléments multiples pour une séparation de l’eau optimale. Proceedings of the National Academy of Sciences of the United States of America, 122(28), e2504226122. Publié le 15 juillet 2025. https://doi.org/10.1073/pnas.2504226122
8. 8. Szymanski, N. J., Rendy, B., Fei, Y., Kumar, R. E., He, T., Milsted, D., McDermott, M. J., Gallant, M., Cubuk, E. D., Merchant, A., Kim, H., Jain, A., Bartel, C. J., Persson, K. & Zeng, Y. (2023). Un laboratoire autonome pour la synthèse accélérée de nouveaux matériaux. Nature, 624, 86–91. Publié le 29 novembre 2023. https://doi.org/10.1038/s41586-023-06734-w
9. 9. Avery, P., Wang, X., Oses, C., Toher, C., Curtarolo, S., Mehl, M. J., Levy, O., Kramer, M. J. & Gaultois, M. W. (2019). Prédire les matériaux superdurs via une recherche évolutive de structures informée par apprentissage automatique. npj Computational Materials, 5, 89. Publié le 3 septembre 2019. https://doi.org/10.1038/s41524-019-0226-8
10. <span style="font-size:
