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

Dans le monde des matériaux, la nanophotonique thermique est essentielle pour permettre des percées fondamentales dans toutes les applications technologiques.

La nanophotonique thermique combine la nanophotonique et la thermoscience pour manipuler et contrôler le transfert de chaleur à l'échelle nanométrique. Elle utilise des nanostructures et des matériaux pour ajuster le rayonnement et le flux thermiques, ce qui permet des avancées dans diverses applications, notamment la récupération d'énergie, la gestion thermique et la détection.

La nanophotonique étudie le 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 d’essais et d’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 est difficile de développer une méthodologie de conception générale pour personnaliser des émetteurs nanophotoniques hautes performances avec un contrôle ultra-large bande et une sélectivité de bande précise. 

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

Cependant, cette question est désormais abordée 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 ML¹ 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 infrastructure d'apprentissage automatique représente une avancée significative 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, jusqu'alors inimaginables.

- Sco-directeur de l'étude, Yuebing Zheng, professeur au département de génie mécanique Walker de la Cockrell School of Engineering

Matériaux alimentés par l'IA pour une conception urbaine résiliente au changement climatique

Publiée dans Nature, l'étude détaille le nouveau cadre basé sur le ML qui a aidé à concevoir des matériaux capables de faire baisser les températures intérieures et, par conséquent, les coûts énergétiques.

Grâce à leur cadre, les scientifiques ont pu générer plus de 1,500 XNUMX nouveaux matériaux capables d'émettre sélectivement de la chaleur de manière contrôlée. Ils offrent également une plus grande précision de chauffage et de refroidissement, améliorant ainsi l'efficacité énergétique.

Leur cadre permet de concevoir des méta-émetteurs thermiques à bande ultra-large et sélective en optimisant plusieurs paramètres avec des données limitées couvrant la diversité des matériaux et la complexité structurelle 3D.

Selon l'étude, leur architecture offre une double capacité de conception. Premièrement, elle automatise la conception inverse d'une multitude de métastructures possibles ainsi que les combinaisons de matériaux pour l'adaptation spectrale. Deuxièmement, elle possède une « capacité sans précédent » à concevoir différents méta-émetteurs 3D grâce à une méthode de modélisation tri-planaire qui surmonte les limites des structures 2D plates traditionnelles. 

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

Le cadre généralisable développé est destiné à la fabrication de matériaux nanophotoniques 3D, qui, selon les chercheurs, « facilite l'optimisation globale grâce à une liberté géométrique et une dimensionnalité étendues et à une base de données complète sur les matériaux ».

Afin d’évaluer la viabilité de leur système de conception, les chercheurs ont produit quatre échantillons de matériaux et ont ensuite testé leurs performances. 

L'un des matériaux méta-émetteurs a été appliqué sur le toit d'une maison témoin. Pour analyser sa capacité de refroidissement, il a été comparé à des peintures blanches et grises standard du commerce. Après quatre heures d'exposition directe du toit à la lumière du soleil en milieu de journée, les chercheurs ont constaté que le matériau nouvellement créé était, en moyenne, de 5 à 20 °C plus froid que les peintures traditionnelles.

Sur cette base, l’équipe estime que leur matériau permettra d’économiser environ 15,800 XNUMX 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 XNUMX kWh par an.

Les matériaux créés par l'équipe peuvent donc être utilisés pour réaliser des économies d'énergie dans les secteurs résidentiel et commercial. En ville, ils contribuent à faire baisser les températures en réfléchissant la lumière du soleil et en diffusant la chaleur à des longueurs d'onde ciblées. Ainsi, ils peuvent potentiellement réduire l'effet d'îlot de chaleur urbain causé par le manque de verdure et la densité des structures en béton.

Mais leur utilisation ne s'arrête pas là. Ce matériau peut également être utilisé dans des applications spatiales, où il gère efficacement le rayonnement solaire incident et la chaleur émise, contribuant ainsi à réguler la température des engins spatiaux.

Les applications des méta-émetteurs thermiques vont bien au-delà. Par exemple, en les intégrant aux tissus et textiles, nous pouvons améliorer la technologie de refroidissement des vêtements et équipements de plein air. 

Les automobiles en sont un autre exemple. En les enveloppant de méta-émetteurs thermiques et en les intégrant aux matériaux intérieurs, on peut également réduire la chaleur accumulée lorsque les voitures sont exposées au soleil.

Malgré leurs nombreux avantages, ces matériaux n'ont pas réussi à s'imposer à grande échelle en raison de la complexité de leur processus de conception, et même les options automatisées ont eu du mal à gérer leur structure hiérarchique 3D complexe. Mais tout cela peut enfin changer grâce au dernier framework d'IA.

Traditionnellement, la conception de ces matériaux était lente et laborieuse, reposant sur des méthodes d'essais-erreurs. Cette approche conduit souvent à des conceptions sous-optimales et limite la capacité à créer des matériaux dotés des propriétés nécessaires à leur efficacité.

– Zheng

Les chercheurs continueront donc à travailler sur leur technologie, à la perfectionner et à l’appliquer 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 hautes performances. »

– Co-auteur Kan Yao

Comment l'IA accélère la découverte de nouveaux matériaux

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

En fait, la découverte et le développement de nouveaux matériaux ont joué un rôle crucial dans l’histoire de l’humanité pendant des siècles, faisant progresser la technologie.

Depuis des décennies, nous nous appuyons sur la méthode des essais-erreurs pour trouver de nouveaux matériaux inorganiques aux propriétés intéressantes. Cette approche est extrêmement gourmande en ressources, nécessitant des centaines de milliers d'heures d'expérimentation pour identifier puis synthétiser une poignée de nouveaux matériaux potentiels.

La complexité des matériaux aux niveaux moléculaire et atomique rend la découverte de nouveaux matériaux longue et coûteuse. La disponibilité croissante des supercalculateurs a donc révolutionné la science des matériaux en permettant la simulation de leur comportement.

Aujourd'hui, l'avènement de l'IA révolutionne ce domaine en accélérant l'approche computationnelle de la science des matériaux. En fournissant les propriétés souhaitées pour un matériau ainsi que ses contraintes, les systèmes d'IA générative peuvent désormais créer des matériaux entièrement nouveaux.

Après tout, les modèles avancés d’aujourd’hui, formés sur des ensembles de données massifs, lorsqu’ils sont combinés à un calcul à haut débit, sont capables de sélectionner rapidement les matériaux candidats par rapport aux paramètres souhaités, prédisant ainsi les propriétés de nombreuses substances dans un délai très court.

L’IA permet non seulement d’économiser un temps de développement considérable ainsi que des ressources humaines et matérielles, mais elle peut également le faire tout en répondant précisément aux exigences complexes et variées du marché.

Comme l'a déclaré Kristin Persson, professeure en science des matériaux à l'Université de Californie à Berkeley, notéNous vivons actuellement dans un paradigme où la science est portée par le big data et l'IA. Aujourd'hui, nous disposons de suffisamment de données pour entraîner des algorithmes d'apprentissage automatique, ce qui « apporte une vitesse d'innovation inédite », a-t-elle déclaré.

Il est intéressant de noter que l'IA bénéficie également de la découverte de nouveaux matériaux. L'IA est gourmande en données, et la science des matériaux en manque cruellement. Grâce à cette technologie, les propriétés des matériaux peuvent être simulées et les données obtenues peuvent servir à entraîner des modèles d'apprentissage automatique.

Persson dirige actuellement le projet « Matériaux », un projet multi-institutions et multinational qui s'appuie sur la superinformatique et des méthodes de stimulation avancées pour calculer les propriétés de tous les matériaux inorganiques connus et au-delà. Les données sont mises à disposition gratuitement pour la conception de nouveaux matériaux.

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

Avancées dans la découverte de matériaux pilotée par l'IA

Des chercheurs du département de génie de l'Université de Toronto introduit un nouvel outil² récemment, qui prédit comment un nouveau matériau pourrait être utilisé au mieux afin de réduire le décalage entre la découverte d’un matériau et son déploiement.

L'outil d'IA multimodal utilise des données à un stade précoce pour prédire l'utilisation potentielle dans le monde réel d'un nouveau matériau en se concentrant sur une catégorie spécifique de matériaux poreux appelés structures organométalliques (MOF). 

L'année dernière seulement, des chercheurs ont développé plus de 5,000 XNUMX types différents de ces matériaux, aux propriétés ajustables, a souligné le professeur Seyed Mohamad Moosavi, directeur de l'étude à l'Université de Toronto (ChemE). Il a ajouté que le défi réside dans le fait qu'un MOF créé pour une application particulière se révèle souvent doté de propriétés adaptées à une application totalement différente.

« Dans la découverte de matériaux, la question classique est : "Quel est le meilleur matériau pour telle ou telle application ?" », explique Moosavi. « Nous avons inversé la question et demandé : "Quelle est la meilleure application pour ce nouveau matériau ?" Avec autant de matériaux fabriqués chaque jour, nous souhaitons passer de la question "Quel matériau fabriquer ensuite ?" à celle "Quelle évaluation réaliser ensuite ?" »

Sartaaj Khan, doctorant en chimie, a développé un système d'apprentissage automatique multimodal entraîné sur différents types de données. La multimodalité était ici essentielle, car elle offrait au modèle une « vision plus complète » permettant des prédictions plus précises sans nécessiter de post-synthèse.

Les chercheurs du Laboratoire national d'Argonne ont quant à eux utilisé un modèle de diffusion d'IA générative pour générer plus de 120,000 XNUMX MOF³ candidats en un peu plus d'une demi-heure grâce à un supercalculateur. Le réseau neuronal modifié a réduit le nombre de MOF à 364, considérés comme très performants.

Avec quelques jours supplémentaires et une analyse informatique plus poussée, l'équipe a trouvé 102 MOF stables dans l'ensemble de données. 6 d'entre eux avaient une capacité de CO2 classée parmi les 5 % des meilleurs matériaux de la base de données populaire hMOF.

Dans un autre exemple, les scientifiques ont utilisé l’IA pour concevoir des nanomatériaux entièrement nouveaux⁴ qui sont aussi légers que le polystyrène tout en ayant la résistance de l'acier au carbone. 

Résistance et ténacité sont souvent contradictoires dans de nombreux matériaux, notamment ceux nano-architecturés, composés de minuscules blocs de construction. Répétés, ces blocs de construction confèrent au matériau sa résistance, mais peuvent également provoquer des concentrations de contraintes conduisant 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 a appris de leurs conceptions pour prédire les meilleures formes pour répartir uniformément les contraintes appliquées tout en portant une charge lourde.

Les chercheurs ont utilisé une imprimante 3D pour donner vie à ces formes et ont découvert qu'elles étaient capables de résister à une contrainte de 2.03 mégapascals (MPa) par mètre cube par kilogramme, ce qui est cinq fois plus élevé que celui du titane.

Les chercheurs voient leur application potentielle comme composants ultra-légers dans les applications aérospatiales pour réduire les besoins en carburant et l'empreinte carbone élevée des vols.

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

C'est la première fois que l'apprentissage automatique est appliqué à l'optimisation de matériaux nano-architecturés, et nous avons été stupéfaits par les améliorations. Il ne s'est pas contenté de reproduire les géométries réussies à partir des données d'entraînement ; il a également appris à partir des modifications de formes qui fonctionnaient et de celles 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. A la recherche collaborative⁵ L'Université de Pékin et l'Université du Danemark du Sud ont développé un cadre avancé qui intègre l'apprentissage en profondeur à la télédétection pour identifier les matériaux de construction avec une précision sans précédent.

Outre l’efficacité énergétique, l’IA peut améliorer la planification urbaine en contribuant à la surveillance et à la conservation de l’environnement, 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 énorme, avec le marché estimé à des milliers de milliards Dans les années à venir. Parmi les entreprises à la pointe de cette avancée technologique, notamment en science des matériaux, deux noms se démarquent : Microsoft (MSFT ) et Google (Alphabet Inc.) (GOOG ), qui ont lancé leurs propres modèles pour accroître l'échelle et la précision de la recherche sur les matériaux. Cependant, pour les besoins de cet article, nous nous concentrerons sur Alphabet Inc.

Alphabet Inc. (GOOG )

Fin 2023, DeepMind, filiale de Google, a lancé un outil d'IA appelé Graph Networks for Materials Exploration (Gnome) pour accélérer le processus de découverte de matériaux. À l'époque, il rapporté⁶ trouver 2.2 millions de nouveaux cristaux à l'aide de l'outil d'apprentissage en profondeur.

Selon Google, cela équivaut à environ 800 ans de connaissances et démontre une échelle et un niveau de précision des prédictions sans précédent. Les cristaux récemment découverts comprenaient 380,000 XNUMX matériaux stables, ce qui en fait des candidats prometteurs pour la synthèse expérimentale et capables d'alimenter les technologies futures.

Le modèle Gnome est un réseau neuronal graphique (GNN), où les données d'entrée sont représentées sous forme de graphique. Gnome a été entraîné à partir des données du Projet Matériaux, notamment les structures cristallines et leur stabilité, afin de générer de nouveaux cristaux candidats et de prédire leur stabilité.

Google a évalué sa puissance prédictive en vérifiant régulièrement ses performances à l'aide de la théorie de la fonctionnelle de la densité (DFT). Pour le processus d'apprentissage, il a utilisé l'apprentissage actif, où les données obtenues ont été réinjectées dans le modèle, améliorant ainsi considérablement les performances de Gnome. 

Selon Google, la précision des prédictions de stabilité du modèle est passée de 50 % à 80 %. Son efficacité, quant à elle, est passée de moins de 10 % à plus de 80 %.

De plus, environ 736 matériaux prédits par le génome 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 la puissance de l'expérimentation autonome.

Examinons maintenant les performances de ce géant à la capitalisation boursière de 2.2 182 milliards de dollars. Au moment de la rédaction de cet article, son action s'échange autour de 3.86 dollars, en baisse de 8.97 % depuis le début de l'année. Son BPA (sur 20.29 mois) est de 0.46 et son PER (sur XNUMX mois) de XNUMX. Le rendement du dividende est de XNUMX %.

Concernant les finances de l'entreprise, Alphabet, la société mère de Google, a déclaré un chiffre d'affaires de 90.2 milliards de dollars pour le premier trimestre clos le 1 mars 31. Le bénéfice par action s'est établi à 2025 dollars. Ces chiffres, a déclaré le PDG Sundar Pichai, « reflètent une croissance saine et une dynamique constante dans l'ensemble de l'entreprise. Cette croissance repose sur notre approche full-stack unique de l'IA. »

Actualités et développements récents concernant l'action Alphabet Inc. (GOOG)

Conclusion

L'IA transforme tous les aspects de nos vies, y compris la manière dont nous concevons les matériaux qui façonnent notre avenir. L'intégration de cette technologie aux sciences des matériaux représente un véritable changement de paradigme, accélérant des découvertes qui prenaient autrefois des années à se concrétiser, et qui ne prennent désormais que quelques jours, voire quelques heures.

Pour faire simple, l’IA est le moteur de l’innovation en matière de matériaux dans un avenir proche en utilisant des ensembles de données massifs, des calculs à haut débit et des modèles génératifs, permettant aux chercheurs de prédire, de concevoir et d’optimiser de nouveaux matériaux avec une efficacité et une précision sans précédent.

Cliquez ici pour en savoir plus sur les actions d’énergie propre axées sur l’environnement.

Références:

1. Xiao, C. ; Liu, M. ; Yao, K. ; et al. Méta-émetteurs thermiques à bande ultra-large et sélective par apprentissage automatique. Nature 2025, 643, 80–88. https://doi.org/10.1038/s41586-025-09102-y
2. Khan, ST ; Moosavi, SM : Connecter la synthèse de structures métallo-organiques 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. Un cadre d'intelligence artificielle générative basé sur un modèle de diffusion moléculaire pour la conception de structures métallo-organiques pour la capture du carbone. Communications Chemistry 2024, 7, 21. https://doi.org/10.1038/s42004-023-01090-2
4. Serles, P. ; Oui, J. ; Haché, M. ; Demingos, PG ; Kong, J. ; Kiefer, P. ; Dhulipala, S. ; Kumral, B. ; Jia, K. ; Yang, S. ; Feng, T. ; Jia, C. ; Ajayan, PM ; Portela, CM; Wegener, M. ; Howe, J. ; Singh, CV ; Zou, Y. ; Ryu, S. ; Filleter, T. Résistance spécifique ultra-élevée par optimisation bayésienne des nano-réseaux de carbone. Matériaux avancés 2025 37 (14), EX2410651. https://doi.org/10.1002/adma.202410651
5. Sun, K.; Li, Q.; Liu, Q.; Song, J.; Dai, M.; Qian, X.; Gummidi, SRB; Yu, B.; Creutzig, F.; Liu, G. Tissu urbain décodé : identification de matériaux de construction de haute précision via l'apprentissage profond et la télédétection. Sciences de l'environnement et écotechnologie 2025 24 100538. https://doi.org/10.1016/j.ese.2025.100538
6. Merchant, A.; Batzner, S.; Schoenholz, SS; et al. Mise à l'échelle de l'apprentissage profond pour la découverte de matériaux. Nature 2023, 62480-85. https://doi.org/10.1038/s41586-023-06735-9