MADNESS : Méthodologie assistée par l’intelligence artificielle pour la découverte de nouveaux matériaux en sels fondu

Nous prendrons comme cas d’école la synthèse en sels fondus, une méthode originale dont la capacité à ouvrir la voie vers de nouveaux matériaux émerge depuis quelques années, mais qui n’est pas adaptée à l’automatisation et au criblage à haut débit. Nous chercherons plus spécifiquement des matériaux capables de remplacer les métaux précieux pour l’électrocatalyse de la production de dihydrogène à partir de l’eau, en nous concentrant sur des composés prometteurs et dont l’espace chimique est en grande partie vierge, car ils sont difficiles à synthétiser : composés non-oxydes de métaux de transition et d’éléments non critiques du bloc p. Nous développerons une méthodologie de synthèse s’appuyant sur deux piliers principaux :

• Le premier pilier consiste à tirer le meilleur parti des expériences, en considérant chaque synthèse comme une grande source de données pour cribler certains des paramètres expérimentaux les plus importants. Nous utiliserons la diffraction des rayons X sous rayonnement synchrotron, dans le but de réaliser le suivi in situ des synthèses. Nous mobiliserons des méthodes d’apprentissage automatique (ML) pour développer un outil numérique capable de détecter, parmi les produits et intermédiaires réactionnels, les solides déjà répertoriés et ceux qui restent à identifier. Une analyse plus détaillée nous permettra de sélectionner les conditions de synthèse ex situ de ces matériaux.

• Le deuxième pilier est la prédiction de nouveaux composés et de diagrammes de phases pour des systèmes chimiques inexplorés ou mal connus. Au contraire d’autres approches classiques coûteuses en calcul, cette prédiction utilisera des techniques génératives afin d’accélérer la recherche de nouveaux composés et des calculs ab initio à haut débit pour cartographier les diagrammes de phase et identifier les solides stables et métastables. Cette méthode fournira aussi des caractéristiques relatives aux compositions chimiques, structures cristallines et structures électroniques. Nous utiliserons ainsi la fouille de données pour identifier des descripteurs simples afin d’anticiper les propriétés électrocatalytiques, qui seront mesurées a posteriori. Ces nouveaux matériaux prédits seront intégrés dans l’outil d’analyse des synthèses in situ, afin de les rechercher en priorité lors des expériences synchrotron.

Le projet MADNESS s’appuiera sur l’infrastructure de DIADEM pour fournir une méthodologie permettant d’accélérer la découverte de matériaux via la synthèse en sels fondus et, plus généralement, via d’autres méthodes de synthèse, inadaptables à l’automatisation. Son originalité réside dans les méthodes que nous développerons, où l’IA assistera le travail expérimental :

• Cribler in situ les synthèses grâce à de nouvelles méthodes d’IA pour identifier in situ les solides.
• Prédire par des calculs génératifs et à haut débit les matériaux à cibler en priorité.
• Anticiper les propriétés électrocatalytiques en analysant par ML l’activité et la sélectivité mesurées en parallèle.
• Réaliser les synthèses à l’échelle du laboratoire en accélérant la sélection des conditions par ML.

MADNESS permettra, pour la première fois, d’établir un lien étroit entre la synthèse inorganique (LCMCP), la caractérisation avancée (SOLEIL), le traitement des données assisté par l’IA (IMN) et la prédiction de structures cristallines assistée par l’IA (LINK), de sorte que les matériaux prédits puissent être réalisés expérimentalement. En fournissant une méthodologie pour la synthèse assistée par l’IA, MADNESS contribuera à démocratiser les approches d’intelligence artificielle au sein de la vaste communauté des chimistes spécialisés en synthèse des matériaux inorganiques.