Le tableau périodique comme paysage de données
Rendre les propriétés périodiques — rayon atomique, électronégativité, énergie d’ionisation — en terrain 3D et s’entraîner à repérer les tendances qu’un modèle d’apprentissage automatique devrait apprendre.
Objectif
Transformer le tableau périodique en paysage de régression : identifier les descripteurs qu’un modèle pourrait utiliser (période, groupe) et les irrégularités qu’il peinerait à apprendre.
Matériel et réactifs
Une grille d’éléments élevée en 3D, la hauteur de surface étant proportionnelle à la propriété périodique choisie.
Procédure
- Garder le mode 0 et tourner le paysage ; repérer la vallée ou la crête qui marque chaque période et groupe.
- Passer au mode 1 et comparer : la propriété monte-t-elle ou descend-elle le long d’une période, et la tendance est-elle lisse ou irrégulière ?
- Passer au mode 2 et chercher les éléments qui rompent la tendance monotone.
- Pour chaque mode, énoncer la règle que le modèle devrait apprendre (p. ex. « augmente vers le haut et la droite ») et nommer une exception.
À observer
- Les propriétés périodiques varient régulièrement le long des lignes et colonnes — les voisins du tableau se ressemblent, exactement ce qu’exploite le ML à descripteurs.
- Certains modes montrent des crêtes ou des chutes marquées aux métaux de transition et lanthanides — des régions où un modèle linéaire simple échouerait.
- Le même élément occupe la même (ligne, colonne) dans chaque mode — rappel que la structure, pas seulement la chimie, porte de l’information prédictive.
Explication
L’apprentissage automatique en chimie commence souvent par des descripteurs : des caractéristiques numériques comme le numéro atomique, le groupe, la période ou l’électronégativité, qu’un modèle régresse vers une propriété cible. Vue comme un paysage sur le tableau périodique, une propriété apprenable est une surface lisse ; une propriété difficile est rugueuse. C’est pourquoi la featurisation compte et pourquoi les modèles à graphes ou à noyaux qui connaissent la structure périodique surpassent les régressions naïves sur Z seul.
Chimistes associés
Expérience virtuelle : un modèle simplifié pour construire l’intuition. Elle ne remplace ni le travail réel en laboratoire ni la formation à la sécurité ; ne la reproduisez pas chez vous sans encadrement.