Intelligence Artificielle
5 avancées en IA 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 est à l'origine de changements dans presque tous les secteurs en effectuant des tâches qui requièrent généralement l'intelligence humaine. Les systèmes d'IA exploitent de vastes quantités de données pour identifier des tendances et prendre des décisions.
De cette façon, l’IA est capable de simuler certains niveaux de raisonnement et de processus cognitifs de type humain.
Selon le Rapport sur le commerce mondialLes gains de productivité et les avantages en termes de coûts de l’IA peuvent stimuler le PIB mondial de 12 à 13 % d’ici 2040.
En réduisant de 50 % leur écart en matière d’infrastructures numériques avec les économies à revenu élevé et en adoptant l’IA plus largement, les économies à revenu faible et intermédiaire peuvent voir jusqu’à 15 % de réduction de leurs émissions de gaz à effet de serre. augmenter dans leurs revenus.
En plus d'aider les nations à renforcer leur productivité, leurs échanges commerciaux et leur position économique, l'IA peut aider la société en stimulant l'innovation dans tous les secteurs. L'un des moyens par lesquels cette technologie y parvient actuellement est la découverte de matériaux.
La promesse de l'IA dans la découverte de matériaux
La découverte de matériaux a toujours été la clé de l’innovation. Il y a plusieurs siècles, le mélanger du cuivre et de l'étain a conduit à l'âge du bronze, lorsque des outils et des armes plus robustes transformé commerce et les sociétés.
Puis vint l'âge du fer, où la maîtrise du fer remodela les économies. Au XIXe siècle, l'acier se généralisa. Alliage de fer et de carbone, l'acier était l'élément clé des chemins de fer, des gratte-ciel, des navires et des machines, alimentant la révolution industrielle et l'expansion mondiale.
À la fin du XVIIIe siècle, le L'âge du silicium La découverte et le perfectionnement des semi-conducteurs, fondements de l'électronique moderne, ont transformé le monde. Nous sommes désormais entrés 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, à des avions plus légers et à des calculs plus rapides.
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'exploitation des matériaux.optimisation.
Pour cela, l’IA utilise des algorithmes et des modèles pour filtrer de vastes bases de données de candidats répondant à des besoins d’application spécifiques. Ici, des modèles d'apprentissage profond comme Les réseaux neuronaux graphiques (GNN) et les réseaux neuronaux récurrents (RNN) sont essentiels pour analyser les ensembles de données complexes qui Ces trouvé en matièrescience als.
Ils peuvent également identifier les matériaux existants avec 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 aller au-delà des méthodes traditionnelles d'essais et d'erreurs, qui prennent du temps et coûtent cher.
De plus, les modèles d’IA peuvent générer de nouvelles structures matérielles adaptées exigences particulières. Lorsqu’elle est intégrée 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 rester en termes de manque de qualité et les données pour certains matériaux. Réussi synthèse de nouveaux trouvé et les matériaux conçus en laboratoire en sont un autre big défi.
En tant que scientifique des matériaux Anthony Cheetham de l'UCSB remarqué1 dans Nature après l'examen la liste des 2.2 millions de cristaux hypothétiques trouvés par GNoME, un outil d'IA de DeepMind, une filiale d'Alphabet (Google), « C'est une chose de découvrir un composé, et une chose totalement différente de découvrir un nouveau matériau fonctionnel. »
Notant en outre le caractère peu pratique de nombreux composés prédits par l’IA, Cheetham a déclaré :
« Nous avons trouvé beaucoup de choses ridicules. »
Ce montre l’écart entre la prédiction et la réalisation pratique. Ce que cet écart nécessite, c'est la combinaison de IA avec expertise humaine et science expérimentale.
Pourtant, la promesse de l'IA de révolutionner la science des matériaux est indéniable. Compte tenu de 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 ignoré.
Alors, allons jetez un œil à certains des exemples les plus marquants de l'application de l'IA dans Matériel des sciences qui démontrent son potentiel à repousser les limites de la découverte et de l’innovation des matériaux.
Glissez pour faire défiler →
| Domaine | Percée en IA (accéder à la section) | Résultat dans le monde réel |
|---|---|---|
| Cellules solaires à pérovskite | Traitement guidé par ML et conception inverse |
Cellules à ciel ouvert à l'échelle ; découverte HTM ; classe d'efficacité d'environ 26.2 % |
| Électrocatalyseurs à hydrogène | Recherche de composition MPEA conçue par l'IA |
Surtensions ultra-faibles (HER/OER), stabilité robuste |
| Matériaux super durs | ML + recherche évolutive des phases B–C–N |
Phases stables prédites > dureté 40 GPa |
| diélectriques polymères | Découverte de mélanges et criblage HT assistés par l'IA |
Jusqu'à 11× densité énergétique à 200 °C (8.3 J cc⁻¹) |
| Électrolytes à l'état solide | Sélection IA/HPC de candidats inorganiques |
Nouveaux conducteurs (par exemple, N2116, Li8B10S19) |
1. Cellules solaires à pérovskite : matériaux et traitement optimisés par l'IA
L’une des solutions les plus prometteuses pour atteindre l'énergie durable est l'énergie solaire, et son adoption est rapidement en augmentant. En 2024, le monde a installé un record d'environ 600 GW d'énergie solaire, hausse 33% à partir de 2023. À la fin de la décennie, cette devrait à atteindre ~1 TW par an.
Cette demande croissante d’énergie solaire crée le besoin de matériaux plus efficaces, polyvalents et rentables pour les cellules solaires.
La pérovskite est un matériau qui offre une structure cristalline unique. Le minéral naturel peut désormais être recréé Synthétiquement. En mélangeant des éléments organiques et inorganiques, les scientifiques créent des pérovskites synthétiques aux propriétés remarquables d'absorption de la lumière, les rendant particulièrement adaptées aux applications solaires.
Outre une efficacité élevée, ces matériaux offrent les avantages de la flexibilité et accordable bande interdite, mais les problèmes d'évolutivité et de stabilité persistent ; d'où la recherche d'une nouvelle compositions.
Les chercheurs se sont donc tournés vers AI pour corréler les performances des cellules solaires à pérovskite (PSC) avec les propriétés des matériaux et les processus de conversion d'énergie depuis plus d'une décennie depuis. 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'Université de Floride centrale examiné2 plus de 2 000 publications évaluées par des pairs à propos pérovskite à collectionner plus de 200 points de données, qui ont été nourris à le système d'IA qu'ils ont créé pour obtenez le Best recette pour les cellules solaires à pérovskite (CFP). La même année, des scientifiques du MIT en réponse3 un modèle à accélérer la synthèse et l'analyse de nouveaux composés par un facteur dix et trouvé deux nouvelles pérovskites sans plomb qui méritent d’être étudiées plus en détail.
En 2022, des chercheurs du MIT et de l'Université de Stanford rapporté4 prendre l'aide de L’IA va accélérer la fabrication de cellules solaires avancées.
Pour cela, un système a été créé, en développement depuis plusieurs années, pour intégrer les données d'expériences antérieures ainsi que les informations issues des observations personnelles de travailleurs expérimentés. Cette intégration Les résultats ont été rendus plus précis et ont conduit à la fabrication de cellules à pérovskite avec une efficacité de conversion énergétique de 18.5 %.
Ce est différent de la plupart des systèmes d'apprentissage automatique, qui utilisent principalement des données brutes et généralement n'intègrent 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 « découvrir des tendances que nous n’étions pas en mesure de voir auparavant ».
La découverte de la technologie solaire avancée à base de pérovskite avec l'aide de L'IA est continue et gagner vitesse à augmenter Efficacité du PSC. Dans l'un de ces cas, étude5, l’efficacité a été augmentée à 26.2 % tout en économisant « d’énormes quantités de temps et de ressources ».
2. Électrocatalyseurs découverts par l'IA pour la production d'hydrogène
Un substitut prometteur aux combustibles fossiles non renouvelables qui Ces Voyages pour énorme Les quantités les plus importantes d’émissions de gaz à effet de serre (GES) proviennent de l’hydrogène. L'élément le plus abondant dans l'univers, l'hydrogène, est devenue une source d’énergie propre et renouvelable.
Toutefois, production efficace d'hydrogène Répondre à la demande à l'échelle commerciale représente un défi de taille. L'électrolyse par dissociation de l'eau offre ici une voie prometteuse, où l'électrocatalyse joue un rôle essentiel. Ce fait du développement d’électrocatalyseurs à faible coût, actifs et stables une condition préalable essentielle pour obtenir la production d’hydrogène électrocatalytique souhaitée à partir de la séparation de l’eau.
Les électrocatalyseurs accélèrent la production d'hydrogène en abaissement l'énergie nécessaire pour la séparation de l'eau by en utilisant des métaux précieux coûteux comme le platine ou des alternatives plus abordables comme nickel, cobalt, graphène, MXenes et autres.
Outre les propriétés et le coût du matériau, un catalyseur spécifique est choisi en fonction du caractère acide, alcalin ou à haute température de la réaction.
Toutefois, son utilisation est très longue et coûteuse le traditionnel essai et erreur méthode de recherche de matériaux existants et nouveaux appropriés pour améliorer les réactions, so L'IA est être utilisé6 pour surmonter les limites des approches traditionnelles, découvrir de nouveaux candidats et améliorer produits connus.
Une étude récente rapporté7 que son IA filtrée par entropie s'est formée sur un ensemble de données DoE regardé à travers 16.2 millions de compositions chimiques pour identifier Fe12Co28Ni33Mo17Pd5Pt5 comme Best composition pour la séparation de l'eau. L'alliage présente des surtensions ultra-faibles pour les deux réactions électrocatalytiques fondamentales, HER et OER, tout en ayant une stabilité robuste.
Entre-temps, il y a quelques années, le laboratoire d'IA de Google DeepMind contribué 380 000 nouveaux composés pour le projet Matériaux, une plateforme qui sous-tend de nombreuses recherches de catalyseurs et expériences autonomes.
La base de données en libre accès fondée au laboratoire de Berkeley du ministère de l'Énergie a été utilisée par les chercheurs pour confirmer expérimentalement les propriétés utiles de nouveaux matériaux qui présentent un potentiel d'utilisation dans la capture du carbone. et comme photocatalyseurs, thermoélectriques et conducteurs transparents.
La base de données comprend la manière dont les atomes d'un matériau sont arrangés et à quel point il est stable. Gnome a été formé en utilisant les données et les flux de travail qui étaient développé par le Projet puis amélioré via apprentissage actif.
En utilisant les calculs de GNoME de Google DeepMind et les données du Projet Matériaux, les chercheurs ont testé A-Lab, une installation du Berkeley Lab où l'IA guide les robots dans la fabrication de nouveaux matériaux. A-Lab a été testé avec succès. produit8 41 nouveaux composés.
3. Matériaux ultra-durs : découverte guidée par ML au-delà du diamant
Des industries comme l'armée, l'aérospatiale et la production d'énergie requièrent des matériaux extra-durs, des solides pratiquement incompressibles. Leur dureté dépasse 40 gigapascals (GPa) sur l'échelle Vickers, et ils présentent une covalence de liaison élevée et une densité électronique élevée.
Le diamant est le matériau le plus dur connu à ce jour, avec une dureté comprise entre 70 et 150 GPa. Cela signifie qu'il faudrait une pression supérieure à cette valeur (70-150 GPa) pour laisser une empreinte à sa surface. Par conséquent, est utilisé dans les outils de coupe, les abrasifs, les revêtements résistants à l'usure et pour la création d'expériences à haute pression.
Ces pierres précieuses, qui sont une forme solide de l'élément carbone dont les atomes sont disposés selon une structure cristalline cubique en forme de diamant, sont également utilisées par les scientifiques pour trouver de nouveaux matériaux adaptés. Mais l'IA a changé la donne.
Au fil des années, plusieurs chercheurs ont trouvé9 nouvelles phases super dures, avec une rapports10 BC10N, B4C5N3 et B2C3N à présentent des phases dynamiquement stables avec des valeurs de dureté >40 GPa.
En 2020, des chercheurs de l'Université de Houston et du Manhattan College utilisé11 un modèle ML pour prédire avec précision la dureté des nouveaux matériaux, ainsi leur permettant de trouver approprié composés plus facilement.
La pression élevée requise pour marquer la surface d'un matériau les rend rares et « l'identification de nouveaux matériaux est difficile ». C'est précisément pourquoi « des matériaux comme le diamant synthétique sont toujours utilisés « Même si leur fabrication est difficile et coûteuse », a déclaré le co-auteur de l'article, Jakoah Brgoch, professeur associé de chimie à l'Université de 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 quantité de pression exercée. Ce Rend les tests expérimentaux d'un matériau complexes. Même la modélisation informatique est quasiment impossible. Les chercheurs ont donc créé un modèle qui relève ce défi en prédisant la dureté Vickers en fonction de la charge, en se basant uniquement sur la composition chimique du matériau.
L'algorithme était commerce sur une base de données qui impliquait 560 différents composés qui conditions passer au travers des centaines d’articles universitaires. « Tout bon projet d'apprentissage automatique commence par un bon jeu de données », a déclaré Brgoch. « La véritable réussite réside en grande partie dans le développement de ce jeu de données. »
En conséquence, ils ont trouvé plus de 10 nouvelles phases de borocarbure stables et, avec une précision du modèle de 97 %, ils sont optimistes quant à la réussite en laboratoire.
L'IA n'est cependant pas sans limites, comme l'a souligné Brgoch : « L'apprentissage automatique ne vise pas à dire : "Voici le prochain matériau le plus performant", mais à guider nos recherches expérimentales. » La technologie nous indique simplement où chercher.
4. Diélectriques polymères : matériaux de stockage d'énergie accélérés par l'IA
Un composant essentiel du stockage d’énergie moderne est constitué par les diélectriques, qui sont des matériaux non conducteurs tels que l’air, le verre et le plastique.
Le choix du matériau diélectrique c'est quoi détermine la densité énergétique des condensateurs et des diélectriques polymères sont largement utilisés pour le stockage de l'énergie en raison de leur faible coût, leur flexibilité mécanique, leur fiabilité, leur vitesse de décharge rapide et leur facilité de traitement. Mais encore une fois, leur faible densité énergétique est une problème.
En conséquence, les chercheurs continuent du dernier améliorer les performances en développant de nouveaux diélectriques polymères augmenter leur capacité de stockage d’énergie pour des applications dans les systèmes électriques, l’électronique et les véhicules électriques (VE).
L'IA a réalisé des progrès remarquables dans le domaine des matériaux polymères. Par exemple, il y a quelques mois à peine, des chercheurs du MIT et de l'Université Duke ont collaboré pour créer des 12 polymères plus durables en incorporant des molécules de réticulation sensibles aux contraintes, qui ont été identifiés par l'IA. Les chercheurs du MIT ont également construit13 un système qui trouve, mélange et teste jusqu'à 700 nouveaux mélanges de polymères une journée pour les applications comme électrolytes de batterie, stabilisation des protéines ou matériaux d'administration de médicaments.
La conception de nouveaux mélanges de polymères pose le problème d’un nombre presque infini de polymères possibles pour commencer, et une fois quelques-uns ont été sélectionné mélanger, puis la composition de chaque polymère doit être choisie, ainsi que la concentration de polymères dans le mélange.
« Disposer d'un espace de conception aussi vaste nécessite des solutions algorithmiques et des flux de travail à plus haut débit, car il est tout simplement impossible de tester toutes les combinaisons par force brute. »
– L'auteur principal de l'article, Connor Coley
Leur système d’IA leur a fourni des mélanges optimaux, le meilleur étant 18 % plus performant que ses composants individuels.
Étant donné l’efficacité avec laquelle l’IA fournit de nouvelles options et de nouveaux mélanges de polymères, il est logique de appliquer la technologie14 pour identifier meilleurs diélectriques polymères15.
Une équipe de chercheurs a fait exactement cela et découvert16 diélectriques avec une densité énergétique 11 fois supérieure à celle des alternatives commerciales à des températures élevées.
L'algorithme innovant est développé pour prédire les propriétés et les formulations des polymères avant les créer réellement. Pour cela, ils ont d'abord défini des exigences spécifiques, puis formé les modèles ML sur des modèles existants. propriété matérielle données permettant de prédire les résultats souhaités.
Outre l’IA, les chercheurs ont utilisé la chimie des polymères et l’ingénierie moléculaire établies pour découvrir une série de diélectriques dans les familles des polynorbornènes et des polyimides, bon nombre des diélectriques découverts affichant une densité énergétique élevée et une stabilité thermique élevée sur une large plage de températures.
Mais un en particulier présentait une densité énergétique de 8.3 J cc−1 à 200 °C, ce qui est beaucoup supérieur au diélectrique polymère disponible dans le commerce.
« Aux débuts de l'IA en science des matériaux, stimulée par l'Initiative Génome des Matériaux de la Maison Blanche il y a plus de dix ans, la recherche dans ce domaine était largement motivée par la curiosité. Ce n'est que ces dernières années que nous avons commencé à observer des réussites concrètes et concrètes dans la découverte accélérée de polymères grâce à l'IA », a déclaré Rampi Ramprasad, co-auteur et professeur au Georgia Institute of Technology. « Ces succès inspirent aujourd'hui des transformations profondes dans le paysage de la R&D sur les matériaux industriels. »
5. Électrolytes solides : l'IA pour des batteries plus sûres et à plus haute densité
Poussé par l'adoption généralisée des appareils portables et des véhicules électriques et par la demande croissante de solutions de stockage d'énergie renouvelable, le marché mondial des batteries est progresse rapidement17. Compte tenu du important rôle que jouent les batteries dans le monde moderne, les scientifiques sont essayer constamment développer des batteries plus économes en énergie et plus sûres sans souci.
Alors que les batteries lithium-ion sont les plus largement utilisés aujourd'hui, ils ont une durée de vie limitée et des risques pour la sécurité, ce qui Ces adressé par des batteries à semi-conducteurs (SSB).
Ces batteries remplacent les électrolytes liquides par des électrolytes solides à éliminer le risque d'inflammation à des températures élevées tout en permettant une densité énergétique plus élevée et en améliorant la durabilité, créant des batteries plus sûres et plus puissantes.
Mais ces batteries à électrolytes solides sont confrontées à leurs propres défis, comme faible conductivité ionique, compatibilité de l'interface d'électrode, stabilité mécanique et chimique et fabrication rentable. Alors, les chercheurs explorent des matériaux qui peuvent surmonter ces problèmes grâce à l’IA.
Contrairement à d’autres domaines dont nous avons parlé aujourd’hui, les batteries sont l’un des domaines les plus en vogue où application de l'IA18 Le secteur a connu une croissance fulgurante grâce à l'implication des principaux constructeurs automobiles et des startups qui investissent massivement dans la recherche et le développement de batteries à semi-conducteurs. Outre les risques pour la sécurité, le secteur a également accumulé d'importantes bases de données, suffisamment riches pour entraîner des modèles d'apprentissage automatique.
Les gouvernements ont également fait des SSB une priorité stratégique pour sécuriser les chaînes d’approvisionnement nationales et atteindre les objectifs nationaux en matière d’énergie et de climat.
Il existe donc divers cas où l’IA a a aidé19 chercheurs et entreprises découvrent de nouveaux électrolytes solides.
L'année dernière, les chercheurs de Microsoft d'utiliser L'IA et les superordinateurs vont analyser 32 millions de matériaux inorganiques potentiels à trouver 18 candidats prometteurs20 in une question de quelques jours. Le nouveau matériau, le N2116, est un électrolyte solide qui peut réduire de 70 % l’utilisation du lithium dans les batteries et a été testé pour alimenter une ampoule.
L'outil d'IA GNoME de DeepMind, quant à lui, a identifié21 528 conducteurs lithium-ion prometteurs, dont certains pourraient contribuer à rendre les batteries plus efficaces.
Ensuite, il y a LBS22 (Li8B10S19) des chercheurs de Stanford, qui l'ont qualifié d'« électrolyte lithium-ion à base de soufre le plus stable que nous ayons jamais vu expérimentalement ». Les chercheurs d'abord identifié23 électrolytes solides à remplacer un jour les électrolytes liquides inflammables dans les batteries Li-ion par l'IA il y a environ dix ans.
Conclusion
Ces exemples montrent que l'IA peut accélérer la découverte de nouveaux matériaux. Le défi consiste désormais à traduire les prédictions informatiques en résultats concrets, ce qui nécessite d'associer l'IA à des chercheurs expérimentés et à des données fiables.
Glissez pour faire défiler →
| Percée | Avantage principal |
|---|---|
| Pérovskite Solaire | Des cellules évolutives et à plus haut rendement |
| Catalyseurs à hydrogène | Séparation de l'eau stable et à faible coût |
| Matériaux super durs | Nouvelles phases ultra-dures >40 GPa |
| diélectriques polymères | Densité énergétique 11× à haute température |
| Électrolytes solides | Des batteries plus sûres et à plus haute densité |
Ce que nous observons n'en est qu'aux prémices. Ces découvertes nous ouvrent la voie vers des énergies plus propres, des technologies plus sûres, des matériaux plus résistants et des industries respectueuses de l'environnement. L'IA transforme notre façon de pratiquer la science des matériaux, et cela est important pour l'avenir.
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 vraiment efficaces ? Nature, 646, 22–25. Publié le 1er octobre 2025. https://doi.org/10.1038/d41586-025-03147-92
2. Université de Floride centrale. (2019, 16 décembre). L'intelligence artificielle pourrait aider les scientifiques à fabriquer des cellules solaires pulvériséesScienceDaily. Publié le 16 décembre 2019. https://www.sciencedaily.com/releases/2019/12/191216122415.htm
3. Gu, Y., Wang, Z., Chen, L., Bi, W., et Peng, Y. (2019). Cellules solaires à pérovskite à haut rendement par dépôt en phase vapeur à source unique. Joule, 3(12), 3026–3043. https://doi.org/10.1016/j.joule.2019.09.016
4. Liu, Z., Rolston, N., Flick, AC, Colburn, TW, Ren, Z., Dauskardt, RH et Buonassisi, T. (2022). Apprentissage automatique avec contraintes de connaissances pour l'optimisation des procédés de fabrication de cellules solaires à pérovskite à ciel ouvert. Joule, 6 (4), 834. https://doi.org/10.1016/j.joule.2022.03.003
5. Wu, J., Torresi, L., Hu, M., Reiser, P., Zhang, J., Rocha-Ortiz, JS, Wang, L., Xie, Z., Zhang, K., Park, B.-w., Barabash, A., Zhao, Y., Luo, J., Wang, Y., Lüer, L., Deng, L.-L., Hauch, JA, Guldi, DM, Pérez-Ojeda, ME, Seok, SI, Friederich, P. et Brabec, CJ (2024). Le flux de travail de conception inversé 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. Ding, R., Chen, J., Chen, Y., Liu, J., Bando, Y. et Wang, X. (2024). Libérer le potentiel : applications de l'apprentissage automatique à la conception d'électrocatalyseurs pour la transformation électrochimique de l'hydrogène. Avis de la société chimique, 53, 11390–11461. Publié le 9er octobre 2024. https://doi.org/10.1039/D4CS00844H
7. Kim, J., Kim, DW, Choi, JH, Goddard, WA, & Kang, JK (2025). Conception pilotée par l'IA d'alliages multi-éléments principaux pour une séparation optimale de l'eau. Actes de l'Académie nationale des sciences des États-Unis d'Amérique, 122(28), e2504226122. Publié le 15 juillet 2025. https://doi.org/10.1073/pnas.2504226122
8. Szymanski, NJ, Rendy, B., Fei, Y., Kumar, RE, He, T., Milsted, D., McDermott, MJ, Gallant, M., Cubuk, ED, Merchant, A., Kim, H., Jain, A., Bartel, CJ, 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. Avery, P., Wang, X., Oses, C., Toher, C., Curtarolo, S., Mehl, MJ, Levy, O., Kramer, MJ & Gaultois, MW (2019). Prédiction des matériaux extra-durs grâce à une recherche de structure évolutive basée sur l'apprentissage automatique. Matériaux de calcul npj, 5, 89. Publié le 03 septembre 2019. https://doi.org/10.1038/s41524-019-0226-8
10. Chen, WC, Schmidt, JN, Yan, D., Oses, C., Toher, C., Curtarolo, S. & Mehl, MJ (2021). Apprentissage automatique et prédiction évolutive des composés BCN superdurs. Matériaux de calcul npj, 7, 114. Publié le 21 juillet 2021. https://doi.org/10.1038/s41524-021-00585-7
11. Zhang, Ziyan, Mansouri Tehrani, Aria, Oliynyk, Anton O., Day, Blake et Brgoch, Jakoah. (2021). Trouver le prochain sujet super difficile grâce à l'apprentissage d'ensemble. Matériaux avancés, 33(5), e2005112. Publié le 4 décembre 2020. https://doi.org/10.1002/adma.202005112
12. MIT News. (2025, 5 août). L'IA aide les chimistes à développer des plastiques plus résistantsMIT News. Consulté le 5 août 2025 sur https://news.mit.edu/2025/ai-helps-chemists-develop-tougher-plastics-0805
13. MIT News. (28 juillet 2025). Un nouveau système accélère considérablement la recherche de matériaux polymèresMIT News. Consulté le 5 août 2025 sur https://news.mit.edu/2025/new-system-dramatically-speeds-polymer-materials-search-0728
14. Tan, DQ (2020). La recherche d'une rigidité diélectrique améliorée des diélectriques à base de polymères : une étude ciblée sur les nanocomposites polymères. Journal de la science appliquée des polymères, 137, e49379. Publié le 5 avril 2020. https://doi.org/10.1002/app.4937915.
15. Ji, S., Jeong, D.-Y. et Kim, C. (2022). Conception de composites polymères à hautes propriétés diélectriques à l'aide d'un réseau neuronal artificiel. Sciences appliquées, 12, 12592. Publié le 25 décembre 2022. https://doi.org/10.3390/app122412592
16. Gurnani, R., Shukla, S., Kamal, D., Wu, C., Hao, J., Kuenneth, C., Aklujkar, P., Khomane, A., Daniels, R., Deshmukh, AA, Cao, Y., Sotzing, G. et Ramprasad, R. (2024). Découverte assistée par l'IA de diélectriques à haute température pour le stockage d'énergie. Communications Nature, 15(1), 6107. Publié le 19 juillet 2024. https://doi.org/10.1038/s41467-024-50413-x
17. Lombardo, T., Paoli, L., Fernandez Pales, A. et Gül, T. (2025). L'industrie des batteries est entrée dans une nouvelle phase. Commentaire de l'AIE. Publié le 5 mars 2025. https://www.iea.org/commentaries/the-battery-industry-has-entered-a-new-phase
18. Hu, Q., Chen, K., Li, J., Zhao, T., Liang, F. et Xue, D. (2024). Accélération du développement d'électrolytes solides par apprentissage automatique. Énergie suivante, 5, 100159. https://doi.org/10.1016/j.nxener.2024.100159
19. Wang, S., Liu, J., Song, X., Xu, H., Gu, Y., Fan, J., Sun, B. et Yu, L. (2025). L'intelligence artificielle au service des batteries à semi-conducteurs pour le criblage des matériaux et l'évaluation des performances. Lettres Nano-Micro, 17, 287. Publié le 6 juin 2025. https://doi.org/10.1007/s40820-025-01797-y
20. Kuang, J. (2023). Gnome de DeepMind propulse l'IA dans la science des matériaux. Time Magazine. Publié le 6 juin 2023. https://time.com/6340681/deepmind-gnome-ai-materials/
21. Microsoft. (2024). Comment l'IA et le HPC accélèrent la découverte scientifique. Microsoft Source – Fonctionnalités d'innovation. Publié le 29 octobre 2024. https://news.microsoft.com/source/features/innovation/how-ai-and-hpc-are-speeding-up-scientific-discovery/
22. Ma, Y., Wan, J., Xu, X.,… (2023). Découverte expérimentale d'un électrolyte solide au thioborate de lithium rapide et stable, Li6+2x[B10S18]Sx (x ≈ 1). Lettres de l'ACS sur l'énergie, 8(6), 2762–2771. https://doi.org/10.1021/acsenergylett.3c00560
23. Université de Stanford. (2016). Pas de batteries qui brûlent : les scientifiques de Stanford se tournent vers l'IA pour créer des batteries lithium-ion plus sûres. Stanford News. Publié le 12 décembre 2016. https://news.stanford.edu/stories/2016/12/no-burning-batteries-stanford-scientists-turn-ai-create-safer-lithium-ion-batteries
