À la trace des effets à distance mystérieux

Encore largement inexploré est l'utilisation de l'intelligence artificielle (IA) dans les sciences classiques telles que la chimie, la physique ou les mathématiques : des chercheurs du Berlin Institute for the Foundation of Learning and Data (BIFOLD) à la TU Berlin, en collaboration avec Google Research, ont réussi à développer un algorithme capable de prédire, à partir de données quantiques, l'état énergétique potentiel des molécules avec une grande précision et efficacité.

Cela pourrait ouvrir de toutes nouvelles possibilités, notamment pour les scientifiques des matériaux. Le document intitulé « SpookyNet : Learning Force Fields with Electronic Degrees of Freedom and Nonlocal Effects » a été publié dans Nature Communications.

« La mécanique quantique traite notamment des propriétés chimiques et physiques d'une molécule basées sur la disposition spatiale de ses atomes. Une réaction chimique, quant à elle, repose sur l'interaction de plusieurs molécules et constitue un processus multidimensionnel », explique le professeur Dr. Klaus-Robert Müller, co-directeur de BIFOLD. Prévoir et modéliser chaque étape d'une réaction chimique au niveau moléculaire, voire atomique, est un rêve longtemps caressé par de nombreux chercheurs en sciences des matériaux. Un rôle crucial dans la réactivité des molécules est joué par ce que l'on appelle la surface hyperpotentielle. Elle décrit la dépendance de l'énergie des atomes d'une molécule à la configuration géométrique des noyaux atomiques. La connaissance de surfaces hyperpotentielles ultraprécises permet de simuler le mouvement de chaque atome, par exemple lors d'une réaction chimique, afin de mieux comprendre ses propriétés dynamiques quantiques et ainsi prévoir précisément le déroulement et le résultat des réactions.

« On peut imaginer la surface hyperpotentielle comme un paysage avec des montagnes et des vallées. Tout comme une bille roulant sur une version miniature de ce paysage, le mouvement des atomes est déterminé par les montagnes et les vallées de la surface hyperpotentielle : on parle aussi de dynamique moléculaire », explique le Dr Oliver Unke, chercheur chez Google Research à Berlin.

Contrairement à de nombreux autres domaines d'application de l'apprentissage automatique, où une IA dispose souvent d'ensembles de données quasi infinies, la prédiction des surfaces hyperpotentielles ne dispose généralement que de peu de données de référence quantiques, qui doivent être générées à l'aide d'une puissance de calcul considérable. « Si d'une part, la modélisation mathématique précise des propriétés moléculaires peut permettre d'économiser des expériences en laboratoire coûteuses et longues, elle nécessite en revanche des ressources de calcul extrêmement importantes. »

Nous espérons que notre nouvel algorithme d'apprentissage profond — un modèle dit Transformer, qui prend en compte pour la première fois aussi le spin et la charge des atomes — mènera à de nouvelles découvertes dans les domaines de la chimie, de la biologie et des sciences des matériaux, « avec une consommation de ressources de calcul nettement moindre », indique Klaus-Robert Müller.

Pour atteindre une efficacité élevée en termes de données, le nouveau modèle d'apprentissage profond des chercheurs combine l'IA avec des lois physiques connues. Certains aspects de la surface hyperpotentielle peuvent être décrits avec une grande précision à l'aide de formules physiques simples. La nouvelle méthode n'apprend donc que les parties de la surface hyperpotentielle pour lesquelles aucune description mathématique simple n'existe. « Très pratique : l'IA n'a qu'à apprendre ce que la physique ne peut pas encore expliquer », explique Klaus-Robert Müller. Cela permet d'économiser des ressources de calcul.

Distinction spatiale entre cause et effet

Une autre particularité est que l'algorithme peut également décrire des interactions non locales. « Non-localité » signifie dans ce contexte qu'une modification à un atome, à une position géométrique précise de la molécule, peut influencer des atomes situés à une autre position géométrique dans l'espace. En raison de cette séparation spatiale entre cause et effet — Albert Einstein parlait d'« actions à distance mystérieuses » —, ces propriétés des systèmes quantiques sont particulièrement difficiles à apprendre pour une IA. Les chercheurs ont résolu ce problème avec un appelé Transformer, une méthode initialement développée pour le traitement automatique du langage, des textes ou encore des images. « Dans un texte, la signification d'un mot ou d'une phrase dépend souvent fortement du contexte. Or, cette information contextuelle peut se trouver dans une toute autre partie du texte. En ce sens, la langue n'est pas non plus totalement locale », explique Klaus-Robert Müller. Grâce à un tel Transformer, les chercheurs peuvent également distinguer différents états électroniques d'une molécule, comme le spin et la charge. « Cela est notamment pertinent pour les processus physiques dans les cellules solaires, où une molécule absorbe la lumière et passe dans un autre état électronique », précise Oliver Unke.

Publication :
Oliver T. Unke, Stefan Chmiela, Michael Gastegger, Kristof T. Schütt, Huziel E. Sauceda, et Klaus-Robert Müller : « SpookyNet : Learning force fields with electronic degrees of freedom and nonlocal effects », Nature Communications 12 : 7273 (2021)