Directions interdisciplinaires émergentes
Conception de matériaux, conception inverse de molécules
Comment les méthodes computationnelles et d’apprentissage recherchent des structures candidates à partir de propriétés moléculaires ou matérielles visées, sous contraintes chimiques, de synthèse et d’incertitude.
IntuitionConcevoir à rebours depuis une propriété utile
La prédiction directe estime les propriétés d’une structure. La conception inverse part d’une cible — couleur, conductivité, affinité de liaison ou stabilité — et cherche des structures susceptibles de l’atteindre. Plusieurs structures peuvent convenir, ou aucune ne satisfaire toutes les contraintes.
ScolaireEspace de recherche des structures chimiques
Définition: Espace de conception
L’espace de conception est l’ensemble des structures candidates que la recherche peut représenter. Une représentation autorisant des valences invalides ou compositions impossibles gaspille l’effort ; une représentation trop étroite exclut des chimies potentiellement utiles.
Les graphes moléculaires représentent les atomes par des sommets et les liaisons par des arêtes. La validité chimique dépasse la syntaxe : valence, charge, aromaticité, stéréochimie et stabilité comptent ; un graphe valide peut rester insynthétisable.
UniversitaireOptimiser un objectif sous contraintes
Ici, désigne un candidat, l’objectif prédit et des contraintes telles que toxicité, coût ou stabilité. Le score du modèle n’a de sens qu’en fonction des données d’apprentissage, de sa calibration et de la mesure expérimentale visée.
Définition: Compromis de Pareto
Avec plusieurs objectifs, un candidat en domine un autre s’il est au moins aussi bon partout et meilleur sur au moins un critère. Le front de Pareto rassemble les compromis non dominés ; le choix dépend des priorités d’application, pas seulement d’un score.
AvancéRecherche, incertitude et validation
L’optimisation bayésienne peut choisir le candidat suivant en équilibrant performance prédite et incertitude, notamment lorsque les expériences coûtent cher. Elle dépend d’un modèle de substitution utile, d’une règle d’acquisition adaptée et d’un traitement honnête des candidats hors domaine.
Une structure générée doit être vérifiée indépendamment quant à sa validité chimique, sa nouveauté, l’incertitude des propriétés prédites et son accessibilité synthétique. Les estimations rétrosynthétiques filtrent sans garantir ; qualité de voie et réussite exigent un jugement expérimental.
RechercheFrontière de la recherche
Un cycle de découverte crédible définit une cible mesurable, propose des candidats variés, teste les expériences sûres et informatives, publie les résultats négatifs et met à jour modèle et contraintes. La preuve est le matériau mesuré, non la nouveauté de la structure générée.
Références
- Inverse molecular design using machine learning: Generative models for matter engineering · B. Sanchez-Lengeling, A. Aspuru-Guzik, 2018
- Machine learning in materials informatics: recent applications and prospects · R. Ramprasad et al., 2017
- Molecular de novo design through deep reinforcement learning · M. Popova, O. Isayev, A. Tropsha, 2018