L'IA accélère la recherche de matériaux pour stocker les déchets nucléaires en toute sécurité

# L'IA accélère la recherche de matériaux pour stocker les déchets nucléaires en toute sécurité

Des scientifiques russes ont trouvé une façon d'aborder l'un des problèmes les plus difficiles de l'énergie nucléaire : découvrir des matériaux capables de stocker durablement et de façon fiable les déchets nucléaires. Le secret tient à une association inhabituelle : la chimie classique et l'apprentissage automatique. Une équipe de chercheurs de Skoltech, de l'AIRI et de Sber AI a construit un diagramme de phases précis des carbures de technétium à l'aide de réseaux de neurones sur graphes, plutôt que de calculs quantiques traditionnels. Les résultats sont parus dans la revue de référence Acta Materialia. Ce n'est pas qu'un résultat scientifique : cela montre comment l'IA peut bouleverser la vitesse de développement en science des matériaux.

La tâche était réellement ardue. Les carbures de technétium sont essentiels à l'élimination sûre des déchets nucléaires, mais l'étude de leurs propriétés exige d'énormes ressources de calcul. L'approche traditionnelle repose sur des calculs quantiques, des méthodes qui modélisent le comportement des électrons et des noyaux à partir des lois de la physique.

Ces calculs sont d'une grande précision, mais ils demandent des jours, voire des semaines, même sur de puissants supercalculateurs. Lorsqu'il faut examiner des milliers de matériaux candidats et leurs combinaisons, la tâche devient pratiquement impossible. Les scientifiques se retrouvaient dans une impasse : sans comprendre entièrement la structure d'un matériau, impossible de garantir sa fiabilité pour stocker des substances dangereuses, et le calcul de cette structure prend un temps excessif.

C'est là qu'interviennent les réseaux de neurones sur graphes, des modèles qui représentent les molécules sous forme de graphes dont les atomes sont les nœuds et les liaisons chimiques les arêtes. Cette architecture permet au réseau de saisir les relations spatiales entre les atomes et de prédire leur comportement. Les chercheurs ont entraîné le réseau sur les résultats de calculs quantiques classiques, pour qu'il « apprenne » les régularités que ceux-ci avaient mises au jour.

Une fois entraîné, le modèle pouvait prédire presque instantanément les propriétés de nouveaux composés, ce qui aurait auparavant pris des semaines. C'est comme former un artisan chevronné, puis lui demander un résumé écrit de son savoir : d'autres pourront utiliser ce résumé au lieu de suivre un long apprentissage.

Le résultat est impressionnant. Grâce au modèle d'IA, les chercheurs ont construit un diagramme de phases détaillé des carbures de technétium, une carte indiquant quelles structures cristallines du matériau sont stables à différentes températures et pressions. Le processus a été des milliers de fois plus rapide, sans perte de précision. Autrement dit, les scientifiques ont pu étudier en quelques semaines un volume de matériaux qui aurait auparavant demandé des années. Ce travail montre que l'apprentissage automatique en science des matériaux n'est pas un jouet de démonstration, mais un outil à part entière pour de vrais problèmes scientifiques.

L'importance de cette avancée dépasse largement le technétium. L'industrie nucléaire a besoin de matériaux capables de résister à des conditions extrêmes : hautes températures, radiations et corrosion. Tout cela suppose une compréhension approfondie de la structure des matériaux, et les méthodes traditionnelles sont lentes. L'IA ouvre la voie à une recherche systématique de nouveaux composés aux propriétés prédéfinies. Cela peut accélérer le développement de systèmes d'élimination des déchets plus sûrs, et peut-être de nouvelles générations de réacteurs nucléaires.

La façon dont les réseaux de neurones se débrouillent en chimie et en science des matériaux annonce des changements profonds dans la science. L'IA ne remplace pas les scientifiques, mais elle cesse d'être un simple outil d'analyse de données. L'apprentissage automatique devient un partenaire du processus créatif de recherche de solutions. En raccourcissant le chemin de la théorie à la pratique, ces approches accélèrent non seulement la recherche, mais le rythme même du progrès scientifique dans des domaines où chaque jour compte.