Le professeur de physique Matthias Scheffler, de l’Institut Fritz-Haber de la Société Max-Planck, a confirmé le 10 juin 2026 l’aboutissement d’une méthode de calcul automatisée capable de prédire les propriétés des nouveaux matériaux. Cette avancée, publiée dans la revue Nature, permet d’accélérer la découverte de composés chimiques complexes grâce à une nouvelle architecture d’intelligence artificielle.
Une accélération majeure de la science des matériaux
L’outil, baptisé NOMAD (Novel Materials Discovery), repose sur une base de données massive agrégeant des décennies de simulations quantiques. Selon les travaux présentés cette semaine, le système utilise des algorithmes d’apprentissage automatique pour identifier des corrélations invisibles aux méthodes analytiques classiques. Le projet, piloté par la Société Max-Planck, vise à réduire les cycles d’essais et d’erreurs en laboratoire pour la conception de batteries haute performance et de semi-conducteurs de nouvelle génération.
Le professeur Matthias Scheffler a souligné l’ampleur de cette transformation technologique lors de la présentation des résultats à Berlin. Le développement de cet outil s’inscrit dans une tendance mondiale visant à numériser la recherche fondamentale pour répondre à des besoins industriels urgents, notamment l’optimisation des ressources et la réduction de l’empreinte carbone des processus manufacturiers.
La capacité de ces modèles à anticiper les structures stables et les comportements électroniques avec une telle précision change la donne. La signification de cette percée se laisse difficilement surestimer pour l’avenir du développement industriel durable.
Matthias Scheffler, directeur émérite à l’Institut Fritz-Haber de la Société Max-Planck
Comparaison des méthodes de modélisation
Historiquement, la découverte de matériaux reposait sur des calculs de la théorie de la fonction de la densité (DFT). La DFT, qui repose sur la mécanique quantique, permet de modéliser le comportement des électrons dans un matériau en résolvant les équations de Schrödinger. Bien que rigoureuse, cette méthode exige une puissance de calcul considérable pour chaque nouvel échantillon, limitant souvent la recherche à des systèmes de petite taille ou à des structures hautement symétriques.
Les données publiées le 10 juin 2026 indiquent que l’approche par intelligence artificielle intégrée au système NOMAD réduit le temps de calcul de 85 % par rapport aux simulations DFT traditionnelles, tout en maintenant un degré de fidélité supérieur à 98 % dans les prédictions de stabilité thermique. Ce gain de performance ne signifie pas la fin de la DFT, mais plutôt son complément : l’IA agit ici comme un filtre rapide permettant d’écarter les matériaux non prometteurs avant de soumettre les candidats les plus robustes à une vérification par DFT.
Contrairement aux modèles de langage standards qui génèrent du texte, cette architecture est conçue spécifiquement pour respecter les lois de la thermodynamique. Cette contrainte physique stricte, intégrée au cœur du code, empêche la génération de structures atomiques chimiquement impossibles, un écueil fréquent dans les modèles génératifs non supervisés qui ignorent les principes de conservation de l’énergie.
Implications pour la transition énergétique
L’application immédiate de cette technologie concerne le secteur du stockage d’énergie. Les chercheurs ont identifié, grâce à cet outil, trois nouvelles compositions d’électrolytes solides pour batteries lithium-ion qui surpassent les standards actuels en termes de conductivité ionique. Les électrolytes solides sont au cœur des recherches sur les batteries « tout solide », qui promettent une sécurité accrue et une densité énergétique supérieure aux batteries lithium-ion à électrolyte liquide.
Les rapports techniques de l’Institut Fritz-Haber précisent que ces matériaux pourraient théoriquement augmenter la densité énergétique des cellules de 20 % d’ici 2028. Toutefois, l’équipe de recherche appelle à la prudence : le passage du modèle informatique à la production à grande échelle reste une étape complexe qui nécessite des validations expérimentales rigoureuses. La synthèse chimique, l’intégrité des interfaces entre électrodes et électrolytes, ainsi que la durabilité sur des milliers de cycles de charge sont des facteurs qui ne peuvent être entièrement simulés par l’IA.
Défis techniques et prochaines étapes
Bien que les résultats soient prometteurs, le déploiement de ces modèles se heurte à la question de la représentativité des données d’entraînement. La base de données NOMAD, bien que riche, est majoritairement composée de structures cristallines simples. L’équipe travaille désormais à l’intégration de matériaux désordonnés et de nanostructures, qui présentent des comportements électroniques beaucoup plus erratiques. La complexité de ces matériaux, essentiels pour des applications comme la catalyse ou le photovoltaïque, réside dans leur manque de symétrie, ce qui multiplie exponentiellement les variables à prendre en compte.
Le calendrier de recherche prévoit une phase de test en collaboration avec des partenaires industriels européens pour le second semestre 2026. L’objectif est de vérifier si les prédictions du modèle se confirment lors de la synthèse réelle des matériaux en salle blanche. Si ces tests s’avèrent concluants, la méthode pourrait devenir un standard pour les départements de recherche et développement dans les secteurs de l’automobile et de l’électronique. La réussite de cette transition dépendra de la capacité des chercheurs à transformer des prédictions numériques en protocoles de fabrication reproductibles, une étape qui demeure le goulot d’étranglement traditionnel de la science des matériaux.
