Une intelligence artificielle multimodale pour la conception inverse de matériaux

Les approches traditionnelles de découverte de matériaux nécessitent d’explorer un grand nombre de compositions et de structures afin d’identifier celles possédant les propriétés recherchées. Cette démarche est coûteuse en temps de calcul, tandis que les modèles d’intelligence artificielle existants reposent sur des sources de données limitées, ce qui restreint leur capacité à explorer efficacement l’espace des matériaux.

Pour dépasser ces limites, Gian-Marco Rignanese (WEL Research Institute – UCLouvain) et ses collaborateurs ont développé MEIDNet (Multimodal Equivariant Inverse Design Network), un cadre d’IA de conception inverse qui part des propriétés cibles pour générer directement de nouveaux matériaux prometteurs. En combinant des informations structurelles et physico-chimiques dans un espace de représentation commun, MEIDNet améliore l’efficacité de l’apprentissage et produit des candidats correspondant étroitement aux propriétés visées. Ces matériaux ont ensuite été validés par des calculs ab initio, confirmant leur plausibilité physique. Cette approche constitue une voie prometteuse pour accélérer la découverte de matériaux assistée par IA, avec des applications potentielles dans de nombreux domaines tels que l’énergie, l’électronique ou la catalyse.

Référence : Babu et al, MEIDNet: multimodal generative AI framework for inverse materials design, npj Comput Mater (2026) https://doi.org/10.1038/s41524-026-02153-3