L’IA dynamise la recherche de matériaux de refroidissement durables de nouvelle génération

Dans le domaine des matériaux, la nanophotonique thermique est essentielle pour permettre des percées fondamentales dans diverses applications technologiques.

La nanophotonique thermique combine la nanophotonique et la science thermique pour manipuler et contrôler le transfert de chaleur à l’échelle nanométrique. Elle utilise des nanostructures et des matériaux afin d’ajuster le rayonnement thermique et le flux de chaleur, ce qui conduit à des avancées dans diverses applications, notamment la récupération d’énergie, la gestion thermique et le capteur.

La nanophotonique traite du comportement de la lumière à l’échelle nanométrique. Les matériaux nanophotoniques, quant à eux, offrent un contrôle spectral et directionnel de l’émission thermique.

La méthode traditionnelle de recherche de tels matériaux est entravée par des approches par essais et erreurs, mais l’avènement de l’apprentissage automatique (ML) et de l’intelligence artificielle (IA) a révolutionné le domaine de la science des matériaux en accélérant considérablement les processus de découverte, de conception et d’optimisation des matériaux.

Bien que la technologie ait démontré ses puissantes capacités dans la conception de nanophotoniques et de métamatériaux, il reste difficile de développer une méthodologie de conception générale pour personnaliser des émetteurs nanophotoniques haute performance avec un contrôle ultra‑large bande et une sélectivité de bande précise.

Cela est dû aux restrictions imposées par les algorithmes traditionnels, les pièges d’optimisation locale et les géométries et matériaux prédéfinis.

Cependant, cela est désormais abordé par des scientifiques de l’Université du Texas à Austin, qui ont collaboré avec des chercheurs de l’Université d’Umeå en Suède, de l’Université nationale de Singapour et de l’Université Jiao Tong de Shanghai.

Ensemble, ils ont conçu une technique d’apprentissage automatique¹ pour concevoir des méta‑émetteurs thermiques 3D complexes.

Les méta‑émetteurs sont des matériaux conçus pour contrôler et manipuler le rayonnement électromagnétique, offrant des applications dans l’efficacité énergétique et la gestion thermique.

“Notre cadre d’apprentissage automatique représente un bond en avant significatif dans la conception de méta‑émetteurs thermiques. En automatisant le processus et en élargissant l’espace de conception, nous pouvons créer des matériaux aux performances supérieures qui étaient auparavant inimaginables.”

– Yuebing Zheng, co‑responsable de l’étude, professeur à la Cockrell School of Engineering, département Walker de génie mécanique

Matériaux propulsés par l’IA pour la conception urbaine résiliente au climat

Publié dans Nature, l’étude détaille le nouveau cadre basé sur l’apprentissage automatique qui a aidé à concevoir des matériaux capables de réduire les températures intérieures et, par conséquent, les coûts énergétiques.

En utilisant leur cadre, les scientifiques ont réellement pu générer plus de 1 500 nouveaux matériaux capables d’émettre de la chaleur de manière sélective et contrôlée. Ils offrent également une plus grande précision dans le chauffage et le refroidissement afin d’améliorer l’efficacité énergétique.

Leur cadre peut concevoir des méta‑émetteurs thermiques ultra‑large bande et sélectifs en bande en optimisant plusieurs paramètres avec des données limitées couvrant la diversité des matériaux et la complexité structurelle 3D.

Selon l’étude, leur architecture permet deux capacités de conception. D’abord, elle automatise la conception inverse d’une multitude de métastructures possibles ainsi que de combinaisons de matériaux pour le façonnage spectral. Deuxièmement, elle possède une « capacité sans précédent » à concevoir différents méta‑émetteurs 3D en appliquant une méthode de modélisation à trois plans qui surmonte les limites des structures traditionnelles plates en 2D.

Dans leur étude, l’équipe présente sept méta‑émetteurs démonstratifs qui montrent des performances supérieures en optique et en refroidissement radiatif, dépassant les conceptions avancées actuelles. Les sept classes de méta‑émetteurs sont adaptées à des fonctions spécifiques.

Le cadre généralisable développé sert à fabriquer des matériaux nanophotoniques 3D, ce que les chercheurs ont noté : « il facilite l’optimisation globale grâce à une liberté géométrique et dimensionnelle accrue ainsi qu’une base de données complète de matériaux ».

Maintenant, pour évaluer la viabilité de leur système de conception, les chercheurs ont produit quatre matériaux d’échantillon puis testé leurs performances.

Un des matériaux méta‑émetteurs a été appliqué au toit d’une maison modèle. Pour analyser sa capacité de refroidissement, le matériau a été comparé aux peintures blanches et grises commerciales standard. Ce que les chercheurs ont observé après quatre heures d’exposition directe au soleil de midi, c’est que le nouveau matériau était, en moyenne, de 5 à 20 degrés Celsius plus frais que les peintures traditionnelles.

Sur cette base, l’équipe estime que leur matériau permettra d’économiser environ 15 800 kilowattheures (kWh) par an en coûts de refroidissement pour un immeuble d’appartements dans une ville chaude comme Bangkok. Un climatiseur standard consomme généralement environ 1 500 kWh par an.

Ainsi, les matériaux créés par l’équipe peuvent être utilisés pour des économies d’énergie résidentielles et commerciales. Dans les villes, ils peuvent aider à réduire les températures en réfléchissant la lumière du soleil et en libérant la chaleur à des longueurs d’onde ciblées. De cette façon, le matériau peut potentiellement réduire l’effet d’îlot de chaleur urbain causé par le manque de verdure et les structures en béton denses.

Mais ce n’est pas la seule utilisation. Le matériau peut également être utilisé dans les applications spatiales, où il gère efficacement le rayonnement solaire entrant et la chaleur émise, aidant à réguler les températures des engins spatiaux.

Les cas d’utilisation des méta‑émetteurs thermiques vont bien au-delà de cela. Par exemple, en les intégrant dans les tissus et textiles, nous pouvons améliorer la technologie de refroidissement dans les vêtements et les équipements extérieurs.

Les automobiles constituent un autre domaine. En enveloppant les voitures avec des méta‑émetteurs thermiques et en les intégrant dans les matériaux intérieurs, la chaleur qui s’accumule lorsque les voitures restent au soleil peut également être réduite.

Malgré leurs nombreux avantages, ces matériaux n’ont pas pu être adoptés à grande échelle en raison de leur processus de conception laborieux, et même les options automatisées ont eu du mal à gérer leur structure hiérarchique 3D complexe. Mais tout cela peut enfin changer avec le dernier cadre d’IA.

“Traditionnellement, la conception de ces matériaux a été lente et laborieuse, reposant sur des méthodes d’essais et erreurs. Cette approche conduit souvent à des conceptions sous‑optimales et limite la capacité à créer des matériaux avec les propriétés nécessaires pour être efficaces.”

– Zheng

Par conséquent, les chercheurs continueront à travailler sur leur technologie, en l’affinant et en l’appliquant à d’autres aspects de la nanophotonique.

“L’apprentissage automatique n’est peut‑être pas la solution à tout, mais les exigences spectrales uniques de la gestion thermique le rendent particulièrement adapté à la conception d’émetteurs thermiques haute performance.”

– Co‑auteur Kan Yao

Comment l’IA accélère la découverte de nouveaux matériaux

Axée sur la structure, les propriétés, le traitement et la performance des matériaux, la science des matériaux constitue la base de tout, de l’aérospatiale, l’électronique et l’énergie à la médecine et à de nombreux autres domaines. 

En fait, la découverte et le développement de nouveaux matériaux ont été essentiels pour façonner l’histoire humaine pendant des siècles, faisant progresser la technologie.

Pendant des décennies, nous nous sommes appuyés sur l’approche par essais et erreurs pour trouver de nouveaux matériaux inorganiques aux propriétés favorables. Cette approche est extrêmement gourmande en ressources, nécessitant des centaines de milliers d’heures d’expériences pour d’abord identifier puis synthétiser seulement une poignée de matériaux potentiels.

La complexité des matériaux à leurs niveaux moléculaires et atomiques rend la découverte de nouveaux matériaux un processus long et coûteux. Ainsi, la disponibilité accrue des superordinateurs a changé la science des matériaux en permettant la simulation du comportement des matériaux.

Et maintenant, l’arrivée de l’IA conduit à une révolution dans le domaine en accélérant l’approche computationnelle de la science des matériaux. En fournissant les propriétés souhaitées pour un matériau ainsi que les contraintes, les systèmes d’IA générative peuvent désormais créer des matériaux entièrement nouveaux.

Après tout, les modèles avancés d’aujourd’hui, entraînés sur d’énormes ensembles de données, lorsqu’ils sont combinés à l’informatique à haut débit, peuvent rapidement filtrer les matériaux candidats selon les paramètres souhaités, prédisant ainsi les propriétés de nombreuses substances en très peu de temps.

Non seulement l’IA peut économiser un temps de développement considérable ainsi que des ressources humaines et matérielles, mais elle peut également le faire tout en répondant précisément à des exigences de marché complexes et variées.

Comme le souligne Kristin Persson, professeure en science des matériaux à l’Université de Californie, Berkeley, noté, nous sommes actuellement dans un paradigme où la science est guidée par les mégadonnées et l’IA. Aujourd’hui, nous disposons de suffisamment de données pour entraîner des algorithmes d’apprentissage automatique, et « cela apporte un tout nouveau niveau de rapidité en termes d’innovation », a-t-elle déclaré.

Il est intéressant de noter que l’IA bénéficie également de la découverte de nouveaux matériaux. L’IA est avide de données, et le domaine de la science des matériaux manque de données. En utilisant cette technologie, les propriétés des matériaux peuvent être simulées, et les données résultantes peuvent être utilisées pour entraîner des modèles d’apprentissage automatique.

Persson dirige actuellement l’effort multi‑institutionnel et multinational appelé Materials Project, qui exploite le supercalcul et des méthodes de simulation avancées pour calculer les propriétés de tous les matériaux inorganiques connus et au-delà. Les données sont mises à disposition gratuitement pour concevoir de nouveaux matériaux.

Cliquez ici pour en savoir plus sur les tuiles de toit adaptatives qui peuvent aider à réduire la consommation d’énergie de chauffage/refroidissement.

Percées dans la découverte de matériaux guidée par l’IA

Des chercheurs de l’ingénierie de l’Université de Toronto ont présenté un nouvel outil² récemment qui prédit comment un nouveau matériau pourrait être le mieux utilisé afin de réduire le délai entre la découverte d’un matériau et son déploiement.

L’outil d’IA multimodal utilise des données en phase précoce pour prédire l’utilisation potentielle réelle d’un nouveau matériau, en se concentrant sur une catégorie spécifique de matériaux poreux appelés cadres organométalliques (MOF).

L’année dernière seulement, les chercheurs ont développé plus de 5 000 types différents de ces matériaux, qui possèdent des propriétés réglables, a indiqué le professeur Seyed Mohamad Moosavi de l’Université de Toronto (ChemE). Il a ajouté que le défi est qu’un MOF créé pour une application particulière se révèle souvent adapté à une toute autre utilisation.

“Dans la découverte de matériaux, la question typique est : ‘Quel est le meilleur matériau pour cette application ?’” a déclaré Moosavi. “Nous avons inversé la question et demandé : ‘Quelle est la meilleure application pour ce nouveau matériau ?’ Avec autant de matériaux produits chaque jour, nous voulons déplacer le focus de ‘quel matériau fabriquons‑nous ensuite’ à ‘quelle évaluation devons‑nous réaliser ensuite.’”

Ainsi, l’étudiant en doctorat de ChemE, Sartaaj Khan, a développé un système d’apprentissage automatique multimodal entraîné sur divers types de données. La multimodalité était essentielle ici car elle a donné au modèle « une image plus complète » pour faire des prédictions plus précises sans nécessiter de post‑synthèse.

Des chercheurs du Argonne National Laboratory, quant à eux, ont utilisé un modèle de diffusion d’IA générative pour générer plus de 120 000 MOF³ candidats en un peu plus d’une demi‑heure grâce à un superordinateur. Le réseau neuronal modifié a réduit le nombre de MOF à 364, jugés à haute performance.

Après quelques jours supplémentaires et une analyse computationnelle supplémentaire, l’équipe a trouvé 102 MOF stables dans le jeu de données. 6 d’entre eux présentaient une capacité de CO₂ parmi les 5 % supérieurs des matériaux de la base de données hMOF populaire.

Dans un autre exemple, des scientifiques ont utilisé l’IA pour concevoir de tout nouveaux nanomatériaux⁴ aussi légers que le polystyrène expansé tout en possédant la résistance de l’acier carbone.

La résistance et la ténacité ont souvent tendance à être opposées dans de nombreux matériaux, y compris les nano‑architecturés, qui sont composés de blocs de construction ultra‑petits. Lorsqu’ils sont répétés, ces blocs rendent le matériau solide, mais peuvent aussi provoquer des concentrations de contraintes menant à des ruptures soudaines.

Pour trouver de meilleures façons de concevoir des nanomatériaux, les chercheurs ont simulé des géométries possibles puis les ont soumises à un algorithme qui apprenait de leurs conceptions afin de prédire les meilleures formes pour répartir uniformément les contraintes appliquées tout en supportant une charge lourde.

Les chercheurs ont utilisé une imprimante 3D pour concrétiser ces formes et ont constaté qu’elles pouvaient supporter un stress de 2,03 mégapascals (MPa) par mètre cube par kilogramme, soit cinq fois plus élevé que celui du titane.

Les chercheurs envisagent leur application potentielle comme composants ultra‑légers dans les applications aérospatiales afin de réduire la demande en carburant et l’empreinte carbone élevée du vol.

Selon le premier auteur Peter Serles, chercheur en ingénierie au Caltech :

« C’est la première fois que l’apprentissage automatique est appliqué pour optimiser des matériaux nano‑architecturés, et nous avons été stupéfaits par les améliorations. Il n’a pas seulement reproduit les géométries réussies des données d’entraînement ; il a appris des changements de forme qui fonctionnaient et de ceux qui ne fonctionnaient pas, ce qui lui a permis de prédire des géométries de réseau entièrement nouvelles. »

La découverte de matériaux basée sur l’IA est également largement utilisée pour la planification urbaine. Une recherche collaborative⁵ menée par l’Université de Pékin et l’Université du Danemark du Sud a développé un cadre avancé qui intègre l’apprentissage profond avec la télédétection afin d’identifier les matériaux de construction avec une précision sans précédent.

Outre l’efficacité énergétique, l’IA peut améliorer la planification urbaine en aidant à la surveillance environnementale et à la conservation, au développement du logement et des infrastructures, ainsi qu’à la sécurité publique et à la réponse aux catastrophes.

Cliquez ici pour en savoir plus sur les éoliennes sans pales, souvent considérées comme l’avenir de l’énergie propre.

Investir dans la découverte de matériaux basée sur l’IA

Si nous examinons le potentiel d’investissement de l’IA, il est immense, le marché prévu pour atteindre des billions dans les années à venir. En ce qui concerne les entreprises qui mènent cet avancement technologique, notamment dans la science des matériaux, deux noms se démarquent : Microsoft (MSFT ) et Google (Alphabet Inc.) (GOOG ), qui ont lancé leurs propres modèles pour augmenter l’échelle et la précision de la recherche de matériaux. Cependant, aux fins de cet article, nous nous concentrerons sur Alphabet Inc.

Alphabet Inc. (GOOG )

Fin 2023, DeepMind de Google a publié un outil d’IA appelé Graph Networks for Materials Exploration (Gnome) pour accélérer le processus de découverte de matériaux. À l’époque, il a rapporté⁶ avoir trouvé 2,2 millions de nouveaux cristaux grâce à l’outil d’apprentissage profond.

Google a indiqué que cela équivaut à « environ 800 ans de connaissances et démontre une échelle et un niveau de précision sans précédent dans les prédictions ». Les cristaux nouvellement découverts comprenaient 380 000 matériaux stables, les rendant prometteurs pour la synthèse expérimentale et capables d’alimenter les technologies futures.

Le modèle Gnome est un modèle de réseau de neurones graphiques (GNN), où les données d’entrée sont représentées sous forme de graphe. Gnome a été entraîné sur des données du Materials Project, incluant les structures cristallines et leur stabilité, afin de générer de nouveaux cristaux candidats et de prédire leur stabilité.

Google a évalué son pouvoir prédictif en vérifiant à plusieurs reprises ses performances à l’aide de la théorie fonctionnelle de la densité (DFT). Pour le « processus d’entraînement », il a utilisé l’« apprentissage actif » où les données résultantes étaient réinjectées dans le modèle, augmentant considérablement les performances de Gnome.

Selon Google, la précision de la prédiction de stabilité du modèle est passée de 50 % à 80 %. L’efficacité du modèle, quant à elle, est passée de moins de 10 % à plus de 80 %.

De plus, environ 736 matériaux prédits par le Genome ont été synthétisés indépendamment par des chercheurs externes. Google a également collaboré avec le Lawrence Berkeley National Lab pour synthétiser 41 nouveaux matériaux, validant ainsi la puissance prédictive de l’outil et le potentiel de l’expérimentation autonome.

Maintenant, examinons la performance du géant dont la capitalisation boursière s’élève à 2,2 trillions de dollars. Au moment de la rédaction, ses actions s’échangent autour de 182 $, en baisse de 3,86 % depuis le début de l’année. Son BPA (TTM) est de 8,97 et son PER (TTM) de 20,29. Le rendement du dividende versé est de 0,46 %.

En ce qui concerne les finances de l’entreprise, la société mère de Google, Alphabet, a déclaré un chiffre d’affaires de 90,2 milliards de dollars pour le premier trimestre se terminant le 31 mars 2025. Le bénéfice par action était de 2,81 $. Selon le PDG Sundar Pichai, ces chiffres « reflètent une croissance saine et un élan à travers l’entreprise. Ce qui sous-tend cette croissance est notre approche full‑stack unique de l’IA ».

Dernières nouvelles et développements des actions d’Alphabet Inc. (GOOG)

Conclusion

L’IA transforme chaque aspect de nos vies, y compris la façon dont nous concevons les matériaux qui façonnent notre avenir. L’intégration de la technologie dans les sciences des matériaux représente un véritable changement de paradigme, accélérant les découvertes qui prenaient autrefois des années à aboutir, et qui prennent désormais des jours voire des heures.

En termes simples, l’IA conduit le futur proche de l’innovation matérielle en utilisant d’énormes ensembles de données, l’informatique à haut débit et les modèles génératifs, permettant aux chercheurs de prédire, concevoir et optimiser de nouveaux matériaux avec une efficacité et une précision sans précédent.

Cliquez ici pour découvrir les actions d’énergie propre avec un focus environnemental.

Références :

1. Xiao, C.; Liu, M.; Yao, K.; et al. Méta‑émetteurs thermiques ultra‑large bande et sélectifs en bande par apprentissage automatique. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, S. T.; Moosavi, S. M. Relier la synthèse des cadres organométalliques aux applications grâce à l’apprentissage automatique multimodal. Nature Communications 2025, 16, 5642. https://doi.org/10.1038/s41467-025-60796-0
3. Park, H.; Yan, X.; Zhu, R.; et al. Cadre d’intelligence artificielle générative basé sur un modèle de diffusion moléculaire pour la conception de cadres organométalliques pour la capture du carbone. Communications Chemistry 2024, 7, 21. https://doi.org/10.1038/s42004-023-01090-2
4. Serles, P.; Yeo, J.; Haché, M.; Demingos, P. G.; Kong, J.; Kiefer, P.; Dhulipala, S.; Kumral, B.; Jia, K.; Yang, S.; Feng, T.; Jia, C.; Ajayan, P. M.; Portela, C. M.; Wegener, M.; Howe, J.; Singh, C. V.; Zou, Y.; Ryu, S.; Filleter, T. Résistance spécifique ultra‑élevée par optimisation bayésienne de nanolattices de carbone. Advanced Materials 2025, 37 (14), e2410651. https://doi.org/10.1002/adma.202410651
5. Sun, K.; Li, Q.; Liu, Q.; Song, J.; Dai, M.; Qian, X.; Gummidi, S. R. B.; Yu, B.; Creutzig, F.; Liu, G. Tissu urbain décodé : identification de matériaux de construction à haute précision via l’apprentissage profond et la télédétection. Environmental Science & Ecotechnology 2025, 24, 100538. https://doi.org/10.1016/j.ese.2025.100538
6. Merchant, A.; Batzner, S.; Schoenholz, S. S.; et al. Mise à l’échelle de l’apprentissage profond pour la découverte de matériaux. Nature 2023, 624, 80–85. https://doi.org/10.1038/s41586-023-06735-9