ENGINEERINGNET.BE - Des chercheurs de l’EPFL (Ecole polytechnique fédérale de Lausanne) et du KAIST (Korean Advanced Institute of Science and Technology) viennent de créer un transformeur (algorithme d’apprentissage profond) pour réseaux organométalliques (MOFs).
Les MOFs sont une classe de matériaux cristallins poreux, avec des applications potentielles dans le stockage de l’énergie et la séparation des gaz.
Le transformeur MOF est comme une sorte de ChatGPT pour les scientifiques qui étudient les MOFs. L’architecture du transformeur MOF est basée sur une IA appelée Google Brain, capable de traiter du langage naturel.
L’idée centrale de ces modèles de langage naturel est qu’ils sont préformés sur un grand volume de texte. Quand nous commençons à écrire sur un smartphone par exemple, ce sont des modèles de ce genre qui entrent en action, formés pour « deviner » et ajouter le prochain mot le plus probable.
«Nous voulons explorer cette idée pour les MOFs, mais au lieu de suggérer un mot, nous voulions que le transformeur suggère une propriété», déclare le Professeur Smit (EPFL).
«Nous avons préformé le transformeur MOF avec un million de MOFs hypothétiques pour qu’il en apprenne les caractéristiques essentielles, que nous avons représentées sous la forme d’une phrase. Le modèle a ensuite été formé pour compléter ces phrases afin de donner les caractéristiques correctes du MOF.»
Les chercheurs ont alors paramétré le transformeur MOF pour des tâches liées au stockage de l’hydrogène, comme la capacité de stockage de l’hydrogène, le coefficient de diffusion de l’hydrogène…
Cette approche a montré que le transformeur MOF était capable d’obtenir des résultats en utilisant beaucoup moins de données par rapport aux méthodes conventionnelles de machine learning.
Il fournit des résultats plus rapides avec moins de données et permet une compréhension plus vaste du matériau.
