MatterChat, l’IA qui repense la science des matériaux

Vue d’ensemble de MatterChat • Source : Yingheng Tang et al.

Les méthodes pour modéliser les matériaux sont précises mais nécessitent des calculs lourds et complexes. Ces approches, bien que performantes, sont coûteuses en ressources informatiques et en temps de traitement. L’intelligence artificielle a permis de développer de nouveaux modèles plus efficaces, capables d’anticiper certaines propriétés des matériaux. Cependant, ces modèles se limitent souvent à une analyse brute des données et ne prennent pas en compte le contexte scientifique global.

MatterChat, développé par des chercheurs de Berkeley, se distingue en associant, aux bases de données structurales des matériaux, une IA spécialisée. Son fonctionnement repose sur trois éléments clés : un outil d’analyse des structures atomiques, un modèle de compréhension du langage scientifique et un système qui relie ces deux composants. Cette approche permet d’améliorer la précision des prédictions et facilite l’interaction avec les chercheurs, en leur offrant des résultats exploitables de manière plus intuitive et rapide.

MatterChat prédit avec précision les propriétés des matériaux • Source : Yingheng Tang et al.

Des résultats supérieurs aux modèles existants

Les auteurs ont testé MatterChat sur un ensemble de 142 899 structures cristallines issues de la base Materials Project. Ses capacités ont été évaluées sur douze tâches distinctes, incluant la prédiction de l’énergie de formation, la stabilité, le type de bande interdite et les propriétés magnétiques. Les tests réalisés ont montré que le modèle pouvait non seulement traiter ces informations de manière efficace, mais aussi fournir des résultats cohérents avec les valeurs expérimentales connues.

Les résultats montrent une nette amélioration par rapport aux modèles généralistes comme GPT-4 et Gemini. Par exemple, MatterChat atteint une précision de 87,8 % pour la classification des matériaux métalliques, contre 53 % pour Mistral 7B. Sur la prédiction de l’énergie de formation, son erreur quadratique moyenne est de 0,1225 eV, soit une réduction de 20 % par rapport à CHGNet, un modèle physique de référence. De plus, la capacité du modèle à interpréter et structurer des requêtes scientifiques spécifiques en fait un outil particulièrement adapté aux besoins des chercheurs en matériaux.

Une interaction homme-machine améliorée

L’une des innovations de MatterChat réside dans son interface conversationnelle. Contrairement aux modèles purement numériques, il peut répondre à des requêtes en langage naturel, facilitant ainsi l’accès à l’information pour des scientifiques non experts en modélisation. Lorsqu’un utilisateur pose une question sur la stabilité d’un matériau, MatterChat ne se contente pas de fournir un chiffre brut, mais explique les paramètres influençant cette stabilité. En intégrant un module de synthèse automatisée, il permet également de proposer des alternatives possibles pour améliorer certaines propriétés des matériaux étudiés.

En intégrant une méthode de RAG (Retrieval-Augmented Generation), le modèle récupère des informations supplémentaires sur des structures similaires avant de générer une réponse. Ce système améliore la robustesse des prédictions et permet des analyses plus contextualisées. La flexibilité du modèle permet ainsi de s’adapter aux besoins spécifiques des chercheurs, qu’ils travaillent sur des matériaux pour l’industrie électronique, l’énergie ou encore la catalyse chimique.

MatterChat ne se limite pas à l’analyse de matériaux existants : il ouvre la voie à la génération de nouveaux composés. En exploitant les similarités structurelles et les propriétés prédites, le modèle peut proposer des compositions optimales pour des applications spécifiques, que ce soit en électronique, stockage d’énergie ou catalyse. Cette capacité à générer de nouveaux matériaux à partir de données existantes représente une avancée significative dans le domaine de la recherche en matériaux, où la conception de nouveaux alliages ou structures repose souvent sur un processus empirique long et coûteux.

Pour en savoir plus :

• Yingheng Tang et al., MatterChat: A Multi-Modal LLM for Material Science, Arxiv, 2025