Allegro-FM: Simulations d’IA au service de la science des matériaux durables

L’intelligence artificielle (IA) réalise de nombreuses découvertes dans le domaine de la science des matériaux. Toutes ces découvertes ne sont pas non plus théoriques, mais réelles et impactent un large éventail d’industries. 

Par exemple, Microsoft (MSFT ) a utilisé l’IA (outil Azure Quantum Elements) et le calcul haute performance pour sélectionner 32 millions de matériaux afin de réduire¹ les candidats à seulement 18 en 80 heures, un processus qui prendrait normalement plusieurs années. Les scientifiques ont également synthétisé un matériau capable de réduire l’utilisation du lithium dans les batteries de 70 %.

Dans un autre cas, des chercheurs du MIT ont utilisé l’IA pour concevoir de nouvelles protéines², qui pourraient servir à fabriquer des matériaux avec certaines propriétés mécaniques. Ces matériaux, qui n’existent pas dans la nature mais s’en inspirent, pourraient potentiellement remplacer ceux issus du pétrole et présenter une empreinte carbone nettement plus faible.

En plus de réaliser des percées dans le stockage d’énergie, l’innovation des batteries et les matériaux biomédicaux, l’IA est activement explorée par les entreprises et les scientifiques pour faire progresser la technologie des semi-conducteurs, l’aérospatiale, la fabrication chimique, et bien plus encore.

Une autre utilisation cruciale de la capacité des systèmes informatiques à exécuter des tâches généralement associées à l’intelligence humaine se manifeste dans la création de matériaux durables et verts.

Un exemple est le RoboRXN d’IBM (IBM ), un projet qui combine IA, automatisation et cloud pour accélérer la découverte de matériaux. Grâce à ce laboratoire chimique accessible à distance, IBM permet la synthèse autonome et le test de nouvelles molécules. Le laboratoire est utilisé pour découvrir des polymères biodégradables.

Les chercheurs utilisent également l’apprentissage automatique pour dépister les cadres organométalliques (MOFs) destinés à la capture du carbone.

La capture du carbone est une technologie clé pour réduire les émissions de gaz à effet de serre (GES) des installations industrielles. Les MOFs offrent ici un candidat prometteur, grâce à leur capacité à absorber sélectivement le dioxyde de carbone.

Les molécules de ces matériaux poreux possèdent des nœuds organiques, des nœuds inorganiques et des liaisons organiques, qui peuvent être arrangés dans différentes configurations, permettant la conception et le test de nombreuses configurations potentielles de MOF.

Pour accélérer le processus de découverte, des chercheurs du Département de l’Énergie des États‑Unis, Laboratoire national d’Argonne ont utilisé³ l’IA générative pour assembler rapidement plus de 120 000 nouveaux candidats MOF en 30 minutes. Les calculs ont été exécutés sur un superordinateur avec des simulations de dynamique moléculaire intensives réalisées sur les candidats les plus prometteurs.

Aujourd’hui, des chercheurs de l’USC Viterbi School of Engineering s’attaquent aux émissions de CO₂ de l’industrie du béton, responsable d’environ 8 % des émissions mondiales de carbone, principalement dues à la production de ciment.

L’idée est d’avoir un béton qui non seulement s’auto‑répare et dure encore plus longtemps, mais qui peut également piéger le dioxyde de carbone de l’atmosphère ; pour cela, les chercheurs ont développé un modèle d’IA révolutionnaire.

Ce modèle très sophistiqué peut simuler le comportement de milliards d’atomes simultanément, ouvrant de nouvelles possibilités pour la conception et la découverte de matériaux à une échelle sans précédent.

Le problème et la solution: le carbone dans le béton

Chaque année, nous constatons une augmentation de la fréquence ainsi que de l’intensité des sécheresses, des incendies de forêt, des tempêtes de pluie et des ouragans. Un contributeur majeur à cela est le réchauffement climatique, qui résulte de l’augmentation des émissions de gaz à effet de serre.

Les émissions de GES désignent le rejet de gaz tels que le dioxyde de carbone (CO₂), le méthane (CH₄) et le protoxyde d’azote (N₂O) dans l’atmosphère. Ces gaz retiennent la chaleur et contribuent au réchauffement climatique et aux changements climatiques. 

Aujourd’hui, les principales sources d’émissions de gaz à effet de serre comprennent le secteur énergétique, les transports, la production d’électricité et de chaleur, ainsi que l’agriculture. La fabrication et la construction constituent un autre contributeur majeur, les matériaux de construction comme le béton et l’acier ayant une grande empreinte carbone. 

Élément clé des infrastructures modernes, le béton est omniprésent, mais il pose un problème majeur en raison de ses importantes émissions de GES.

Le ciment, composant essentiel du béton, est en réalité responsable d’une part substantielle de l’empreinte carbone de l’industrie de la construction. Le processus de fabrication du ciment implique la calcination du calcaire, libérant de grandes quantités de CO₂, et le chauffage à haute température des matériaux dans des fours, nécessitant une énergie importante. 

En étant le produit le plus consommé sur Terre après l’eau, il est impératif de rendre le béton écologique, sinon l’environnement continuera d’être pollué par plus d’un milliard de tonnes métriques de CO₂ chaque année à cause de cette industrie. Une solution potentielle à ce problème est de piéger le gaz nocif dans le béton même.

« Vous pouvez simplement mettre le CO₂ à l’intérieur du béton, et cela devient un béton neutre en carbone », a déclaré Aiichiro Nakano, professeur à l’USC Viterbi en informatique, physique et astronomie, ainsi qu’en biologie quantitative et computationnelle.

Ainsi, Nakano, avec ses collègues de l’USC Viterbi, a commencé à rechercher la « séquestration du CO₂ », un processus qui capture et stocke le dioxyde de carbone atmosphérique.

Bien qu’il s’agisse d’une solution prometteuse pour atteindre la neutralité carbone en réduisant les émissions de GES, la séquestration du CO₂ est un processus difficile. Pour trouver la solution, les chercheurs se sont tournés vers l’IA.

Dans leurs travaux, l’équipe de chercheurs a présenté son modèle de fondation (FM) pour les simulations de dynamique moléculaire à l’exascale. Pour cela, ils exploitent l’architecture de réseau équivariant E(3) (Allegro), un type de réseau neuronal, ainsi qu’un ensemble de bases de données à grande échelle de matériaux organiques et inorganiques.

Le modèle résultant est Allegro-FM, qui peut gérer diverses simulations de matériaux pour de multiples tâches en aval.

Comment les modèles de fondation transforment la science des matériaux

Pour leur modèle d’IA, l’équipe a utilisé le modèle de fondation (FM), qu’ils décrivent comme un changement de paradigme en IA et qui a transformé leur façon d’entraîner les modèles. 

Un FM est un grand modèle d’IA entraîné sur un jeu de données massif et diversifié qui peut être adapté à différents types de tâches en aval. Ces modèles sont pré‑entraînés, ce qui signifie qu’ils ne nécessitent pas d’entraînement supplémentaire sur une tâche spécifique. 

Bien que la génération d’un FM soit extrêmement gourmande en ressources, il n’est pas nécessaire de repartir de zéro ; le modèle peut être adapté à une tâche individuelle via le prompting ou le fine‑tuning, réduisant ainsi le coût et le temps requis pour le développement du modèle et la génération de données.

Un FM bien entraîné peut être affiné avec beaucoup moins de ressources, permettant à quelqu’un disposant de moyens informatiques modestes d’intégrer le modèle dans son flux de travail.

En tant que grands réseaux neuronaux d’apprentissage profond, les FM sont des modèles à usage général qui peuvent être utilisés pour créer des applications d’IA plus spécialisées, incluant le support client, la génération de contenu, la création et l’édition d’images, la traduction linguistique, la santé et la robotique.

Ainsi, les data scientists peuvent simplement utiliser ces modèles comme base pour construire rapidement et à moindre coût leurs propres modèles d’apprentissage automatique (ML).

Le GPT d’OpenAI, soutenu par Microsoft, est l’un des exemples les plus courants de FM. Son tout premier modèle a été développé en 2018 avec 117 millions de paramètres, qui ont été portés à 1,5 milliard avec GPT‑2, sorti l’année suivante. Puis est venu GPT‑3 en 2020, qui possède un réseau neuronal à 96 couches et est entraîné avec 175 milliards de paramètres, ces valeurs numériques ajustables incluant les poids et les biais qui déterminent comment les modèles traitent les entrées et les sorties.

Aujourd’hui, son dernier modèle, GPT‑4, serait doté de 1,76 billion de paramètres, permettant aux applications d’IA générative de produire du contenu semblable à celui humain.

D’autres exemples de modèles de fondation incluent Nova d’Amazon (AMZN ), Claude d’Anthropic, Gemini de Google (GOOG ), LLaMA de Meta (META ), et Stable Diffusion.

Compte tenu des nombreux avantages des FM, les chercheurs de l’USC Viterbi ont construit Allegro-FM, un modèle de fondation pour les simulations MD exascale. Leur modèle est entraîné sur les ensembles de données publics à grande échelle Materials Project Trajectory (MPtrj) et SPICE alignés avec le cadre d’alignement d’énergie totale (TEA) pour les applications de matériaux à l’exascale.

La simulation de matériaux nécessite généralement un grand nombre d’atomes pour décrire des caractéristiques clés comme les phases distinctes, les frontières de phase et les joints de grain, ainsi qu’une description précise des réactions chimiques. 

Allegro, selon l’étude, possède un grand potentiel et est particulièrement adapté aux simulations de matériaux nécessitant des millions à des milliards d’atomes.

Percée d’Allegro-FM: simuler des milliards d’atomes

Publié dans The Journal of Physical Chemistry Letters, l’étude détaille⁴ le modèle d’IA Allegro-FM et ses capacités supérieures. Le modèle de simulation piloté par l’IA possède une grande capacité à simuler des milliards d’atomes simultanément.

En testant virtuellement différentes chimies du béton avant de les tester dans des expériences réelles coûteuses, Allegro-FM peut faire progresser le développement du béton, non pas comme source de carbone, mais comme puits de carbone.

L’évolutivité des modèles est d’une importance capitale ici. Le fait est que de nombreuses méthodes de simulation moléculaire existent déjà, mais elles sont limitées à quelques millions, voire milliers, d’atomes.

En revanche, Allegro-FM peut gérer plus de quatre milliards d’atomes tout en affichant une efficacité de 97,5 % lorsqu’il est simulé sur Aurora, un superordinateur exascale capable d’effectuer plus d’un quintillion de calculs par seconde.

Il s’agit d’un exploit majeur, représentant une capacité de calcul environ 1 000 fois supérieure à ce que les modèles plus anciens peuvent gérer.

De plus, le nouveau modèle est flexible, couvrant 89 éléments chimiques. Ainsi, il peut être utilisé pour prédire le comportement moléculaire pour une vaste variété d’applications, telles que la chimie du ciment et le stockage du carbone.

« Le béton est également un matériau très complexe. Il se compose de nombreux éléments, de différentes phases et interfaces. Ainsi, traditionnellement, nous n’avions pas de moyen de simuler les phénomènes impliquant le matériau béton. Mais maintenant nous pouvons utiliser cet Allegro-FM pour simuler les propriétés mécaniques (et) les propriétés structurelles. »

– Ken-Ichi Nomura, professeur de génie chimique et de pratique des sciences des matériaux à l’USC Viterbi, avec qui Nakano collabore depuis plus de deux décennies.

Les simulations menées par les chercheurs montrent qu’Allegro-FM est neutre en carbone, ce qui en fait une option plus adaptée que d’autres bétons. Il est intéressant de noter que le modèle d’IA résout également d’autres problèmes liés au béton. 

Le matériau résistant au feu, qui est un important émetteur de CO₂, ne dure en moyenne qu’environ un siècle. Contrairement au béton moderne, le béton romain antique a duré beaucoup plus longtemps, plus de 2 000 ans. 

La recapture du CO₂ peut également aider à rendre le béton plus durable.

« Si vous introduisez le CO₂, la soi‑disant « couche carbonatée », cela le rend plus robuste. »

– Nakano 

Ainsi, Allegro-FM peut simuler un béton neutre en carbone qui peut durer beaucoup plus longtemps que sa durée de vie actuelle.

Conception de ciment assistée par IA avec Allegro-FM

Pour l’expérience, l’équipe a appliqué Allegro-FM à un cristal tobermorite 11Å (T11A), un minéral de silicate de calcium (CSH) couramment trouvé dans la nature. Ce minéral particulier se trouve dans le béton romain antique.

Le ciment attire beaucoup d’attention en tant que matériau de stockage du carbone grâce à sa capacité à piéger le carbone via le processus de minéralisation. La minéralisation du CO₂ se produit naturellement dans le cadre du cycle géochimique. Une compréhension mécanistique de cela reste cruciale pour assurer un stockage du carbone à long terme et sûr. 

Ici, les simulations avancées peuvent fournir des informations, mais elles sont soit coûteuses en calcul, soit limitées en précision chimique. Les modèles de fondation évolutifs, cependant, montrent un potentiel pour modéliser avec précision le comportement de stockage du carbone du ciment.

Ainsi, Allegro-FM, doté de généralisabilité, d’évolutivité, de prédictibilité et d’efficacité computationnelle, montre un potentiel significatif pour permettre des simulations dynamiques sans sacrifier les détails à l’échelle atomique.

Selon l’étude, le cadre peut être utilisé pour l’investigation de la nanostructure du gel CSH, du ciment auto‑réparateur et de la conception de ciment durable, offrant une nouvelle approche pour les sciences géophysiques et les applications en génie civil. Il a déclaré :

« Allegro-FM présente un excellent accord avec les théories de chimie quantique de haut niveau dans la description des propriétés structurelles, mécaniques et thermodynamiques, tout en affichant des capacités émergentes pour les corrélations structurelles, la cinétique des réactions, les résistances mécaniques, la fracture et la dissolution solide/liquide, pour lesquelles le modèle n’a pas été entraîné. » 

L’avenir de la recherche sur les matériaux: l’IA remplace la mécanique quantique

L’utilisation de l’IA a complètement changé la donne pour les scientifiques et les ingénieurs. Typiquement, simuler le comportement des atomes aurait nécessité une série précise de formules mathématiques ou de « phénomènes profonds de mécanique quantique ». Et cela était non seulement très technique mais aussi lent.

Mais plus maintenant. L’avènement de l’IA, plus spécifiquement les avancées technologiques des dernières années, a transformé la façon dont les scientifiques mènent leurs recherches.

« Maintenant, grâce à cette percée de l’IA d’apprentissage automatique, au lieu de dériver toute cette mécanique quantique à partir de zéro, les chercheurs adoptent l’approche de générer un jeu d’entraînement puis laissent le modèle d’apprentissage automatique fonctionner. »

– Nomura 

Les modèles peuvent désormais gérer d’énormes volumes de données ainsi que plus de complexité tout en utilisant moins de ressources. Cela a rendu l’ensemble du processus beaucoup plus rapide et efficace. 

En fait, Allegro-FM peut prédire avec précision les « fonctions d’interaction » entre les atomes. La façon dont les atomes réagissent et interagissent nécessite normalement de nombreuses simulations individuelles et d’innombrables heures de calcul.

Mais au lieu de procéder un élément à la fois, chaque élément ayant des équations différentes et plusieurs fonctions uniques, la nouvelle IA permet la simulation des fonctions d’interaction avec l’ensemble du tableau périodique simultanément, ce qui signifie des simulations plus rapides et plus d’options de matériaux. Nomura a expliqué :

« L’approche traditionnelle consiste à simuler un certain ensemble de matériaux. Ainsi, vous pouvez simuler, par exemple, du verre de silice, mais vous ne pouvez pas le simuler avec, par exemple, une molécule médicamenteuse. » 

Techniquement, le nouveau système est également beaucoup plus efficace, les modèles d’IA pouvant effectuer des calculs précis qui nécessitaient auparavant un grand superordinateur. Cela simplifie les tâches et permet aux superordinateurs d’être utilisés pour des recherches plus avancées.

Comme le note Nakano, l’IA peut « atteindre une précision mécanique quantique avec des ressources informatiques beaucoup, beaucoup plus petites. »

Cette étude montre des résultats brillants, mais il reste encore beaucoup à faire. Comme le dit Nomura, l’équipe continuera ses recherches sur le béton, en passant à « des géométries et surfaces plus complexes. »

Investir dans la chimie verte

L’une des plus grandes entreprises chimiques américaines, Dow (DOW ), investit activement dans les matériaux durables et les technologies de capture du carbone. Les simulations pilotées par l’IA comme Allegro-FM constituent un outil parfait pour des entreprises comme Dow afin de développer des produits chimiques plus verts. 

Dow Inc. (DOW )

L’entreprise opère à travers plusieurs segments différents, incluant Emballages & Plastiques Spéciaux, Matériaux de Performance & Revêtements, et Intermédiaires Industriels & Infrastructure.

Avec une capitalisation boursière de 17,72 milliards de dollars, les actions de Dow Inc. se négocient à 25 $, en baisse de 37,53 % depuis le début de l’année. Elle affiche un BPA (TTM) de 0,40 et un PER (TTM) de 62,66. Le rendement du dividende disponible est de 5,58 %.

Cette semaine, elle a publié ses résultats financiers du deuxième trimestre 2025, révélant une baisse de 7 % d’une année sur l’autre du chiffre d’affaires net à 10,1 milliards de dollars et une diminution de 1 % du volume d’une année sur l’autre. 

La perte nette GAAP s’est élevée à 801 millions de dollars et la perte GAAP par action à 1,18 $. Les flux de trésorerie provenant des activités opérationnelles étaient négatifs de 470 millions de dollars. Au cours de cette période, Dow a reversé 496 millions de dollars à ses actionnaires sous forme de dividendes.

Cette année, l’entreprise s’est associée à Google pour développer un système de tri IA afin d’identifier les films plastiques et les matériaux mixtes. Le système utilisera les modèles ML de Google, les connaissances de Dow en conception de matériaux et la technologie de recyclage de la société de recyclage de Dow, Circulus, afin d’identifier les matériaux recyclables en fonction de leur composition moléculaire.

Dow utilise également l’IA pour optimiser ses processus de fabrication de produits chimiques et de matériaux. La technologie lui permet de surveiller et d’ajuster les variables en temps réel, assurant des processus efficaces et des résultats constants.

De plus, elle emploie l’IA dans ses efforts de R&D dans le but non seulement de découvrir de nouveaux matériaux mais aussi d’améliorer ceux existants.

Dernières Dow Inc. (DOW) Nouvelles et développements boursiers

Conclusion

Le béton est un matériau puissant, largement utilisé dans la construction en raison de sa résistance, de sa polyvalence, de son coût abordable et de sa durabilité. Mais il est également responsable d’émettre une quantité importante de dioxyde de carbone, ce qui rend crucial la recherche d’alternatives. 

La dernière étude avec son outil Allegro-FM a réalisé une percée massive en évolutivité pour la recherche de matériaux, permettant des simulations de milliards d’atomes à la fois, nous permettant de repenser les matériaux dont nous dépendons quotidiennement, comme le béton. 

En offrant une nouvelle façon de concevoir des matériaux plus propres et plus durables comme le béton, l’IA peut aider à créer non seulement des bâtiments plus solides mais aussi un environnement plus propre, menant à un futur où les matériaux comme le béton ne font plus partie du problème climatique mais deviennent une solution !

Cliquez ici pour découvrir comment nous pouvons surmonter les limites du béton. 

Références:

1. Chen, C.; Nguyen, D. T.; Lee, S. J.; Baker, N. A.; Karakoti, A. S.; Lauw, L.; Owen, C.; Mueller, K. T.; Bilodeau, B. A.; Murugesan, V.; Troyer, M.; Thien, D.; (…additional authors as listed). Accélérer la découverte de matériaux computationnels avec l’intelligence artificielle et le cloud haute performance : du criblage à grande échelle à la validation expérimentale. arXiv preprint arXiv:2401.04070 (2024). https://doi.org/10.48550/arXiv.2401.04070
2. Anand, N.; Eguchi, R. R.; Mathews, I. I.; Höhn, M.; Chen, Y.; Pellegrino, J.; Li, J.; Lee, Y.; Park, J.; Zhang, J.; Baek, M.; Ovchinnikov, S.; Baker, D. Conception de structures et de séquences de protéines avec des modèles probabilistes de diffusion de débruitage équivariants. Chem, 9(6), 1646–1664 (2023). Publié le online 20 avril 2023. https://doi.org/10.1016/j.chempr.2023.03.013
3. Park, H.; Yan, X.; Zhu, R.; Huerta, E. A.; Chaudhuri, S.; Cooper, D.; Foster, I.; Tajkhorshid, E. Un 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, 7(1), Article 21 (2024). Publié le online 14 février 2024. https://doi.org/10.1038/s42004‑023‑01090‑2
4. Nomura, K.; Hattori, S.; Ohmura, S.; Kanemasu, I.; Shimamura, K.; Dasgupta, N.; Nakano, A.; Kalia, R. K.; Vashishta, P. Allegro‑FM: Vers un modèle de fondation équivariant pour les simulations de dynamique moléculaire à l’exascale.
The Journal of Physical Chemistry Letters, 16 (25), 6637–? (2025). Publié en ligne le 20 juin 2025. https://doi.org/10.1021/acs.jpclett.5c00605