Mais la DFT n'est qu'une validation théorique. La prochaine étape consiste en fait à faire quelque chose. L'équipe de Ceder a donc choisi 58 cristaux à créer dans la lutte A. Après avoir pris en compte les capacités du laboratoire et les précurseurs disponibles, c'était une sélection aléatoire. Et au début, comme prévu, les robots ont échoué, puis ont ajusté à plusieurs reprises leurs recettes. Après 17 jours d'expériences, le Lab a réussi à produire 41 des matériaux, ou 71%, parfois après avoir essayé une douzaine de recettes différentes.

Taylor Sparks, un scientifique des matériaux à l'Université de l'Utah qui n'a pas été impliqué dans la recherche, dit qu'il est prometteur de voir l'automatisation à l'œuvre pour de nouveaux types de synthèse de matériaux. Mais en utilisant l'IA pour proposer des milliers de nouveaux matériaux hypothétiques, puis les poursuivant avec l'automatisation, n'est tout simplement pas pratique, ajoute-t-il. Les GNN sont largement utilisés pour développer de nouvelles idées de matériaux, mais généralement les chercheurs veulent adapter leurs efforts pour produire des matériaux avec des propriétés utiles – ne produisent pas aveuglément des centaines de milliers d'entre eux. «Nous avons déjà eu beaucoup trop de choses que nous voulions enquêter que nous le pouvions physiquement», dit-il. «Je pense que le défi est: cette synthèse à l'échelle approche de l'échelle des prédictions? Pas même proche. “

Seulement une fraction des 380 000 matériaux dans le Nature Le papier finira probablement par être pratique à créer. Certains impliquent des éléments radioactifs, ou ceux qui sont trop chers ou rares. Certains nécessiteront des types de synthèse qui impliquent des conditions extrêmes qui ne peuvent pas être produites dans un laboratoire, ou des précurseurs que les fournisseurs de laboratoire n'ont pas à portée de main.

Cela est probablement même vrai pour les matériaux qui pourraient très bien contenir un potentiel pour la prochaine conception de cellules photovoltaïques ou de batterie. «Nous avons trouvé beaucoup de matériaux sympas», explique Persson. «Les faire et les tester a toujours été le goulot d'étranglement, surtout s'il s'agit d'un matériau que personne n'a jamais fait auparavant. Le nombre de personnes que je peux appeler dans mon cercle d'amis qui vont, «Absolument, laissez-moi vous mettre sur vous pour vous», c'est à peu près une ou deux personnes. »»

«Vraiment, est-ce si haut?» Ceder intervient avec un rire.

Même si un matériau peut être fabriqué, il y a une longue route pour transformer un cristal de base en produit. Persson soulève l'exemple d'un électrolyte à l'intérieur d'une batterie lithium-ion. Des prédictions sur l'énergie et la structure d'un cristal peuvent être appliquées à des problèmes tels que la détermination de la facilité avec laquelle les ions lithium peuvent se déplacer à travers, un aspect clé de la performance. Ce qu'il ne peut pas prédire aussi facilement, c'est si cet électrolyte réagira avec les matériaux voisins et détruira l'ensemble de l'appareil. De plus, en général, l'utilité de nouveaux matériaux ne devient apparente qu'en combinaison avec d'autres matériaux ou en les manipulant avec des additifs.

Pourtant, la gamme élargie de matériaux élargit les possibilités de synthèse et fournit également plus de données pour les futurs programmes d'IA, explique Anatole von Lilienfeld, scientifique des matériaux à l'Université de Toronto qui n'a pas été impliqué dans la recherche. Il aide également à empêcher les scientifiques des matériaux de leurs préjugés et vers l'inconnu. «Chaque nouvelle étape que vous faites est fantastique», dit-il. «Cela pourrait inaugurer une nouvelle classe composée.»

Google est également intéressé à explorer les possibilités des nouveaux matériaux générés par Gnome, explique Pushmeet Kohli, vice-président de la recherche chez Google Deepmind. Il compare Gnome à Alphafold, le logiciel de l'entreprise qui a surpris les biologistes structurels avec son succès pour prédire comment les protéines se replient. Les deux abordent des problèmes fondamentaux en créant une archive de nouvelles données que les scientifiques peuvent explorer et développer. À partir de là, l'entreprise prévoit de travailler sur des problèmes plus spécifiques, dit-il, comme le rendement des propriétés de matériaux intéressantes et l'utilisation de l'IA pour accélérer la synthèse. Les deux sont des problèmes difficiles, car il y a généralement beaucoup moins de données avec lesquelles il n'y en a pour prédire la stabilité.

Kohli affirme que la société explore ses options pour travailler plus directement avec du matériel physique, que ce soit en contractant des laboratoires en dehors des laboratoires ou en poursuivant des partenariats académiques. Il pourrait également configurer son propre laboratoire, ajoute-t-il, se référant à des laboratoires isomorphes, un spin-off de découverte de médicament De DeepMind établi en 2021 après le succès d'Alphafold.