Comment l’IA et le calcul haute performance accélèrent la découverte scientifique

L’informatique a déjà accéléré la découverte scientifique. Aujourd’hui, les scientifiques affirment que la combinaison de l’IA avancée et du cloud computing de nouvelle génération accélère le rythme des découvertes à des vitesses inimaginables il y a quelques années à peine.

Microsoft et le Pacific Northwest National Laboratory (PNNL) à Richland, Washington, collaborent pour démontrer comment cette accélération peut bénéficier à la chimie et à la science des matériaux, deux domaines scientifiques essentiels à la recherche des solutions énergétiques dont le monde a besoin.

Les scientifiques du PNNL testent un nouveau matériau de batterie qui a été découvert en quelques semaines, et non en quelques années, dans le cadre d’une collaboration avec Microsoft visant à l’utiliser pour l’IA avancée et le calcul haute performance (HPC), un type de calcul basé sur le cloud qui combine un grand nombre d’ordinateurs pour résoudre des tâches scientifiques et mathématiques complexes.

Dans le cadre de cet effort, l’équipe Microsoft Quantum a utilisé l’IA pour identifier environ 500 000 matériaux stables en l’espace de quelques jours.

Le nouveau matériau de batterie est le fruit d’une collaboration utilisant Azure Quantum Elements de Microsoft pour filtrer 32 millions de matériaux inorganiques potentiels en 18 candidats prometteurs qui pourraient être utilisés dans le développement de batteries en seulement 80 heures. Plus important encore, ces travaux ouvrent la voie à une nouvelle façon d’accélérer les solutions aux défis urgents en matière de durabilité, pharmaceutiques et autres, tout en donnant un aperçu des progrès qui deviendront possibles grâce à l’informatique quantique.

Nous pensons qu’il existe une opportunité de le faire dans un certain nombre de domaines scientifiques, déclare Brian Abrahamson, responsable du numérique au PNNL. Les récents progrès technologiques ont ouvert la possibilité d’accélérer la découverte scientifique.

Le PNNL est un laboratoire du ministère américain de l’Énergie qui effectue des recherches dans plusieurs domaines, notamment la chimie et la science des matériaux, et dont les objectifs incluent la sécurité énergétique et la durabilité. Cela en faisait le collaborateur idéal avec Microsoft pour exploiter des modèles d’IA avancés afin de découvrir de nouveaux matériaux candidats pour les batteries.

Le développement de nouvelles batteries constitue un défi mondial extrêmement important, déclare Abrahamson. Cela a été un processus à forte intensité de main-d’œuvre. Synthétiser et tester des matériaux à l’échelle humaine est fondamentalement limitant.

Apprendre par essais et erreurs

La première étape traditionnelle de la synthèse des matériaux consiste à lire toutes les études publiées sur d’autres matériaux et à émettre des hypothèses sur la manière dont différentes approches pourraient fonctionner. Mais l’un des principaux défis est que les gens publient leurs réussites, et non leurs échecs, explique Vijay Murugesan, responsable du groupe des sciences des matériaux au PNNL. Cela signifie que les scientifiques profitent rarement de l’apprentissage des échecs des uns et des autres.

La prochaine étape scientifique traditionnelle consiste à tester les hypothèses, généralement un long processus itératif. Si c’est un échec, nous retournons à la planche à dessin, dit Murugesan. L’un de ses précédents projets au PNNL, une technologie de batterie à flux redox au vanadium, a nécessité plusieurs années pour résoudre un problème et concevoir un nouveau matériau.

La méthode traditionnelle consiste à réfléchir à la manière d’améliorer ce qui a été fait dans le passé. Une autre approche consisterait à exploiter toutes les possibilités et, par élimination, à trouver quelque chose de nouveau. La conception de nouveaux matériaux nécessite de nombreux calculs, et la chimie sera probablement l’une des premières applications de l’informatique quantique. Azure Quantum Elements propose un système de cloud computing conçu pour la recherche en chimie et en science des matériaux en vue d’une éventuelle informatique quantique, et travaille déjà sur ce type de modèles, d’outils et de flux de travail. Ces modèles seront améliorés pour les futurs ordinateurs quantiques, mais ils s’avèrent déjà utiles pour faire progresser la découverte scientifique à l’aide d’ordinateurs traditionnels.

Pour évaluer ses progrès dans le monde réel, l’équipe Microsoft Quantum s’est concentrée sur quelque chose d’omniprésent dans nos vies, les matériaux pour batteries.

Enseigner la science des matériaux à l’IA

Microsoft a d’abord formé différents systèmes d’IA pour effectuer des évaluations sophistiquées de tous les éléments réalisables et suggérer des combinaisons. L’algorithme a proposé 32 millions de candidats comme trouver une aiguille dans une botte de foin. Ensuite, le système d’IA a trouvé tous les matériaux stables. Un autre outil d’IA a filtré les molécules candidates en fonction de leur réactivité, et un autre en fonction de leur potentiel à conduire l’énergie.

L’idée n’est pas de trouver toutes les aiguilles possibles dans une hypothétique botte de foin, mais de trouver la plupart des bonnes. La technologie d’IA de Microsoft a réduit les 32 millions de candidats à environ 500 000, pour la plupart de nouveaux matériaux stables, puis à 800.

À chaque étape de la simulation où j’ai dû exécuter un calcul de chimie quantique, j’appelle plutôt le modèle d’apprentissage automatique. Je continue donc à bénéficier des informations et des observations détaillées issues de l’exécution de la simulation, mais celle-ci peut être jusqu’à un demi-million de fois plus rapide, explique Nathan Baker, chef de produit pour Azure Quantum Elements.

L’IA est peut-être rapide, mais elle n’est pas parfaitement précise. L’ensemble de filtres suivant utilisait le HPC, qui offre une grande précision mais utilise beaucoup de puissance de calcul. Cela en fait un bon outil pour un ensemble plus restreint de matériaux candidats. La première vérification HPC a utilisé la théorie fonctionnelle de la densité pour calculer l’énergie de chaque matériau par rapport à tous les autres états dans lesquels il pourrait se trouver. Viennent ensuite des simulations de dynamique moléculaire combinant l’IA et le HPC pour analyser les mouvements des atomes et des molécules à l’intérieur de chaque matériau.

Ce processus a ramené la liste à 150 candidats. Enfin, les scientifiques de Microsoft ont utilisé le HPC pour évaluer le caractère pratique de chaque matériau, sa disponibilité, son coût, etc., afin de réduire la liste à 23, dont cinq étaient déjà connus.

Grâce à cette combinaison IA-HPC, la découverte des matériaux candidats les plus prometteurs n’a pris que 80 heures.

La partie HPC représentait 10 % du temps passé en calcul et cela concernait un ensemble de molécules déjà ciblées. Cette informatique intense constitue un goulot d’étranglement, même dans les universités et les instituts de recherche qui disposent de superordinateurs, qui non seulement ne sont pas adaptés à un domaine spécifique, mais sont également partagés, de sorte que les chercheurs devront peut-être attendre leur tour. Les outils d’IA basés sur le cloud de Microsoft atténuent cette situation.

Applications étendues et accessibilité

Les scientifiques de Microsoft ont utilisé l’IA pour effectuer la grande majorité du vannage, représentant environ 90 % du temps de calcul consacré. Les scientifiques des matériaux du PNNL ont ensuite examiné la liste restreinte à une demi-douzaine de matériaux candidats. Étant donné que les outils d’IA de Microsoft sont formés à la chimie, et pas seulement aux systèmes de batteries, ils peuvent être utilisés pour tout type de recherche sur les matériaux et le cloud est toujours accessible.

Nous pensons que le cloud constitue une ressource formidable pour améliorer l’accessibilité aux communautés de recherche, déclare Abrahamson.

Aujourd’hui, Microsoft prend en charge un copilote spécifique à la chimie et des outils d’IA qui, ensemble, agissent comme un aimant qui tire d’éventuelles aiguilles de la botte de foin, réduisant ainsi le nombre de candidats à une exploration plus approfondie afin que les scientifiques sachent sur quoi se concentrer. « La vision vers laquelle nous travaillons est celle des matériaux génératifs dans lesquels je peux demander une liste de nouveaux composés de batterie avec les attributs souhaités », explique Baker.

La phase pratique est celle où en est actuellement le projet. Le matériau a été synthétisé avec succès et transformé en prototypes de batteries fonctionnelles qui subiront de multiples tests en laboratoire. La fabrication du matériau à ce stade, avant sa commercialisation, est artisanale. L’une des premières étapes consiste à prendre des précurseurs solides des matériaux et à les broyer à la main avec un mortier et un pilon, explique Shannon Lee, spécialiste des matériaux au PNNL. Elle utilise ensuite une presse hydraulique pour compacter le matériau en une boulette en forme de pièce de dix cents. Il entre dans un tube à vide et est chauffé entre 450 et 650 degrés Celsius (842 à 1 202 degrés Fahrenheit), transféré dans une boîte pour le garder à l’écart de l’oxygène ou de l’eau, puis réduit en poudre pour analyse.

Pour ce matériau, le processus de 10 heures ou plus est relativement rapide, explique Lee. Parfois, il faut une ou deux semaines pour fabriquer un seul matériau.

Ensuite, des centaines de batteries en état de marche doivent être testées, sur des milliers de cycles de charge différents et dans d’autres conditions, puis sur différentes formes et tailles de batteries pour pouvoir être utilisées à des fins commerciales. Murugesan rêve du développement d’un jumeau numérique pour la chimie ou les matériaux, afin que vous n’ayez pas besoin d’aller dans un laboratoire pour assembler ce matériau, fabriquer une batterie et le tester. Vous pouvez dire, ceci est mon anode et ceci est ma cathode et c’est l’électrolyte et voici la tension que je vais appliquer, et ensuite il peut prédire comment tout fonctionnera ensemble. Même des détails comme, après 10 000 cycles et cinq ans d’utilisation, les performances du matériau seront les mêmes.

Microsoft travaille déjà sur des outils numériques pour accélérer les autres parties du processus scientifique.

Le long processus traditionnel est illustré par les batteries lithium-ion. Le lithium a attiré l’attention en tant que composant de batterie au début des années 1900, mais les batteries lithium-ion rechargeables n’ont été commercialisées que dans les années 1990.

Aujourd’hui, les batteries lithium-ion font de plus en plus tourner notre monde, des téléphones aux appareils médicaux en passant par les véhicules électriques et les satellites. La demande de lithium devrait être multipliée par cinq à dix d’ici 2030, selon le ministère américain de l’Énergie. Le lithium est déjà relativement rare et donc cher. Son exploitation minière est problématique sur le plan environnemental et géopolitique. Les batteries lithium-ion traditionnelles posent également des problèmes de sécurité, avec le potentiel de prendre feu ou d’exploser.

De nombreux chercheurs recherchent des alternatives, tant pour le lithium que pour les matériaux utilisés comme électrolytes. Les électrolytes solides sont prometteurs en termes de stabilité et de sécurité.

Des résultats surprenants

Le matériau récemment découvert que les scientifiques du PNNL testent actuellement utilise à la fois du lithium et du sodium, ainsi que d’autres éléments, réduisant ainsi considérablement la teneur en lithium, peut-être jusqu’à 70 pour cent. Il est encore tôt dans le processus, la chimie exacte est sujette à optimisation et pourrait ne pas fonctionner lorsqu’elle est testée à plus grande échelle, prévient Abrahamson. Il souligne que l’histoire ici ne concerne pas ce matériau de batterie en particulier, mais plutôt la vitesse à laquelle un matériau a été identifié. Les scientifiques affirment que l’exercice en lui-même est extrêmement précieux et qu’il a révélé quelques surprises.

Le matériau dérivé de l’IA est un électrolyte solide. Les ions font la navette dans l’électrolyte, entre la cathode et l’anode, idéalement avec une résistance minimale.