Aller au contenu
ATLAS Humain × IA

Référentiel B — capacité IA

GNoME (découverte de matériaux)

ScientifiqueGoogle DeepMinddocumentéVérifié le

Architecture

Réseaux de neurones sur graphes (Graph Networks for Materials Exploration) entraînés à prédire la stabilité de structures cristallines candidates

Capacités clés

  • Prédiction à grande échelle de la stabilité thermodynamique de nouvelles structures cristallines
  • Découverte annoncée en 2023 de plus de 2 millions de nouveaux matériaux candidats, dont plusieurs centaines de milliers jugés stables
  • Mise à disposition ouverte d'une partie des structures découvertes pour la communauté scientifique

Usages documentés par secteur

ScienceTRL 7 / 9

Les prédictions de GNoME (Google DeepMind, Nature 624, 29 novembre 2023) ont été validées par des expériences robotiques autonomes avec un taux de succès de 71 %, et 736 des structures stables prédites avaient déjà été réalisées expérimentalement à la date de publication.

Accélération de la découverte de nouveaux matériaux pour la recherche en science des matériaux

  • Plus de 2 millions de nouveaux matériaux documentés, annoncés en novembre 2023, dont plusieurs centaines de milliers de structures cristallines stables
  • 736 structures stables déjà réalisées expérimentalement à la date de publication
  • Validation par expériences robotiques autonomes, avec un taux de succès de 71 %

Sources de cet usage

  1. 1.Merchant et al., « Scaling deep learning for materials discovery », Nature 624 (2023)primaire
  2. 2.Applications of artificial intelligence — Wikipediasecondaire
  3. 3.Google DeepMind — Wikipediasecondaire

IndustrieTRL non déterminableDiffusion émergente

Accélération de la recherche et développement de matériaux pour l'industrie électronique et énergétique

Sources de cet usage

  1. 1.Google DeepMind — Wikipediasecondaire

Limites connues

Les prédictions de stabilité restent des calculs de simulation qui demandent une validation expérimentale, longue et coûteuse. Une critique publiée va plus loin que ce délai : selon Anthony Cheetham et Ram Seshadri, GNoME n'apporte pas « a useful, practical contribution to the experimental materials scientists », et ils n'ont identifié aucun matériau « strikingly novel », la plupart étant des variantes mineures de matériaux déjà connus. À l'inverse, la même littérature rapporte une validation par expériences robotiques autonomes avec 71 % de succès et 736 matériaux déjà réalisés expérimentalement : la fiche omettait jusqu'ici les deux extrémités du débat.

Débats documentés

Repose sur la même source (1)

Ces fiches citent au moins une source identique : si elles s'accordent, cet accord ne vaut pas confirmation indépendante.

Sources

  1. 1.Merchant et al., « Scaling deep learning for materials discovery », Nature 624 (2023)primaire
  2. 2.Applications of artificial intelligence — Wikipediasecondaire
  3. 3.Google DeepMind — Wikipediasecondaire

Analyses de gap citant cette fiche

Fiches connexes — Scientifique

Données brutes de cette fiche : /api/fiches/gnome-decouverte-de-materiaux — voir la méthodologie.