MatterSim : vers une IA pour les matériaux plus rapide, multi-tâches et orientée synthèse expérimentale

FAIRChem v2 UMA : simulation atomistique multidomaine pour molécules, catalyseurs, matériaux, vibrations et dynamique moléculaire

Ce tutoriel présente FAIRChem v2 et son potentiel interatomique universel UMA, développé pour unifier la simulation atomistique à travers plusieurs domaines de la chimie computationnelle. Le modèle utilisé, baptisé uma-s-1p2, est chargé via la bibliothèque fairchem-core après authentification sur Hugging Face, nécessaire car les poids du modèle sont soumis à un accès restreint. Une fois le prédicteur initialisé, trois calculateurs distincts sont créés à partir du même modèle de base, correspondant aux tâches omol pour les molécules organiques, oc20 pour la catalyse de surface et omat pour les matériaux inorganiques. Le tutoriel s'appuie sur ASE, l'Atomic Simulation Environment, pour gérer les structures atomiques, les optimiseurs, les contraintes et l'analyse des trajectoires, avec accélération GPU quand elle est disponible. Les démonstrations couvrent un large éventail de calculs : prédiction d'énergie et de forces sur une molécule d'eau, calcul d'énergie d'atomisation, relaxation géométrique d'une structure déformée par optimisation LBFGS, comparaison d'états de spin, estimation d'énergies de réaction, analyse vibrationnelle, adsorption de surface, relaxation de mailles cristallines, ajustement d'équations d'état, dynamique moléculaire et balayage de surfaces d'énergie potentielle. L'intérêt de cette approche réside dans le remplacement de modèles spécialisés, historiquement entraînés séparément pour la chimie moléculaire, la catalyse ou la science des matériaux, par un seul réseau de neurones capable de traiter ces trois domaines avec la même précision. Pour les chercheurs en chimie computationnelle et en science des matériaux, cela signifie pouvoir explorer des réactions chimiques, des surfaces catalytiques et des cristaux sans changer d'outil ni réentraîner de modèle à chaque nouveau système étudié. Les simulations qui nécessitaient auparavant des méthodes ab initio coûteuses en temps de calcul, comme la théorie de la fonctionnelle de la densité, peuvent être approchées beaucoup plus rapidement grâce à ce potentiel appris, tout en conservant une fidélité suffisante pour des usages de recherche. Cette convergence s'inscrit dans une tendance plus large de l'apprentissage automatique appliqué aux sciences des matériaux, où des modèles dits universels cherchent à remplacer la fragmentation historique entre sous-domaines de la simulation atomistique. Le choix de distribuer les poids via Hugging Face, sous accès contrôlé, reflète les précautions prises par les équipes de recherche autour de la diffusion de modèles entraînés sur de vastes bases de données de structures moléculaires et cristallines. L'intégration avec ASE, un standard largement adopté par la communauté de la chimie computationnelle, facilite l'adoption de ces potentiels universels par des laboratoires qui utilisaient déjà cet environnement pour piloter leurs calculs, ouvrant la voie à des usages combinant plusieurs domaines dans un même flux de travail.

💬 Ce qui compte ici c'est pas le modèle en soi, c'est qu'un seul réseau fait le boulot de trois familles d'outils qui ne se parlaient jamais entre elles. Avant, chaque labo entraînait sa propre bête pour la chimie moléculaire, la catalyse ou les cristaux. Maintenant tu prends le même socle et tu changes juste de tête de calcul. Bon, les poids restent sous clé sur Hugging Face donc c'est pas open en vrai, mais si la précision tient la route, ça va bouffer une bonne partie des calculs DFT qui coûtaient des heures de cluster.

Flash-KMeans : un K-Means exact et optimisé pour les E/S, plus de 200 fois plus rapide que FAISS sur GPU

Des chercheurs de l'Université de Californie à Berkeley et de l'Université du Texas à Austin ont publié Flash-KMeans, une bibliothèque open source qui réimplémente l'algorithme k-means standard de Lloyd sur GPU, avec des gains de performance spectaculaires. Sur un NVIDIA H200, la bibliothèque affiche jusqu'à 17,9 fois plus de rapidité que le meilleur concurrent testé, 33 fois plus que la bibliothèque industrielle cuML de NVIDIA, et plus de 200 fois plus que FAISS, la référence du secteur pour la recherche vectorielle. Flash-KMeans s'installe via pip et est distribué sous licence Apache 2.0. Le résultat mathématique est strictement identique à un k-means classique : aucune approximation, aucun raccourci algorithmique. L'enjeu est de taille parce que le k-means n'est plus seulement un outil de prétraitement utilisé une fois avant l'entraînement. Les pipelines d'IA modernes l'appellent en boucle, à l'intérieur même des phases d'entraînement et d'inférence, ce qui rend chaque milliseconde critique. Flash-KMeans attaque deux goulots d'étranglement distincts. La phase d'assignation, qui consiste à associer chaque point au centroïde le plus proche, génère habituellement une matrice de distances de taille N x K entièrement écrite en mémoire HBM avant d'être relue : sur N=65 536 points, K=1 024 clusters et d=128 dimensions, le calcul arithmétique prend 2,6 ms mais les accès mémoire coûtent 23 ms. La solution, baptisée FlashAssign, s'inspire de FlashAttention : elle fusionne le calcul de distance et la recherche du minimum en tuiles traitées sur la SRAM on-chip, sans jamais matérialiser la matrice complète. La phase de mise à jour des centroïdes, elle, souffrait de collisions atomiques massives sur les clusters populaires, limitant la bande passante effective à 50 Go/s sur le H200. La méthode Sort-Inverse Update contourne ce problème en triant les assignations par identifiant de cluster, ce qui permet de réduire chaque segment localement avant une seule opération atomique par cluster. Flash-KMeans s'inscrit dans une dynamique plus large où les optimisations de bas niveau, au niveau du noyau GPU, deviennent aussi décisives que les innovations algorithmiques. La bibliothèque FAISS, développée par Meta et omniprésente dans les systèmes de recherche vectorielle en production, ne passe pas à l'échelle sans compromis : les implémentations PyTorch classiques tombent en panne mémoire dès que K devient grand, faute de pouvoir matérialiser la matrice N x K. Flash-KMeans traite un milliard de points avec K=32 768 et d=128 en 41,4 secondes contre 261,8 secondes pour la référence, et ce hors-coeur. Avec la montée en puissance des bases de données vectorielles et du clustering dynamique dans les systèmes RAG et de recommandation, une implémentation exacte et aussi rapide pourrait rapidement devenir un composant standard des pipelines d'IA à grande échelle.

DriVerse : un modèle de monde pour la simulation de conduite via des instructions multimodales et l'alignement de trajectoire

Des chercheurs ont présenté DriVerse, un modèle génératif capable de simuler des scènes de conduite réalistes à partir d'une seule image et d'une trajectoire future. Évalué sur deux jeux de données de référence dans le domaine, nuScenes et Waymo, DriVerse surpasse les modèles spécialisés existants sur les tâches de génération vidéo prospective, et ce avec un entraînement minimal et sans données supplémentaires. Le système prend en entrée une trajectoire 3D et la convertit selon deux représentations complémentaires : d'une part, en séquence de tokens textuels grâce à un vocabulaire de tendances prédéfini, permettant une intégration fluide avec les modèles génératifs de base ; d'autre part, en prior de mouvement spatial 2D pour mieux contrôler les éléments statiques de la scène. Un module léger d'alignement du mouvement complète l'architecture en renforçant la cohérence temporelle des objets dynamiques, piétons, véhicules, sur des séquences longues. Ce travail répond à une limite majeure des simulateurs de conduite autonome actuels : l'écart entre les signaux de contrôle fournis au modèle et ses représentations internes. Les approches précédentes injectaient directement des trajectoires brutes ou des commandes discrètes dans le pipeline de génération, ce qui produisait des vidéos peu fidèles, insuffisantes pour évaluer rigoureusement des algorithmes de conduite réelle. DriVerse comble ce fossé en rendant la trajectoire compréhensible au modèle génératif sous forme textuelle et spatiale simultanément, ce qui améliore sensiblement la qualité et la précision des scènes simulées. La simulation réaliste de scènes de conduite est un enjeu central pour accélérer le développement de la conduite autonome, car elle permet de tester des algorithmes dans des conditions variées sans recourir à des kilomètres de captation réelle, coûteuse et dangereuse. Les approches concurrentes, dont certaines issues de grands laboratoires, peinent à concilier fidélité vidéo et contrôle fin de la trajectoire. En publiant son code et ses modèles en accès libre, l'équipe derrière DriVerse ouvre la voie à une adoption large par la communauté de recherche, potentiellement accélérant les cycles d'itération pour des acteurs comme Waymo, Mobileye ou les constructeurs automobiles engagés dans la course à l'autonomie de niveau 4.

GPT-Rosalind : cette IA travaille gratuitement pour les chercheurs, mais il y a un hic

OpenAI a présenté le 16 avril 2026 GPT-Rosalind, un modèle d'intelligence artificielle de nouvelle génération conçu spécifiquement pour la recherche en biologie, la découverte de médicaments et la médecine translationnelle. Baptisé en hommage à la chimiste Rosalind Franklin, ce modèle est accessible en version test via ChatGPT, Codex et l'API d'OpenAI, mais uniquement pour un cercle restreint d'organisations américaines sélectionnées. Ses capacités couvrent la génomique, l'ingénierie des protéines et la chimie moléculaire : il croise des données complexes, formule des hypothèses biologiques et conçoit des protocoles expérimentaux complets. Sur BixBench, référence sectorielle en bioinformatique, il se classe premier parmi tous les modèles ayant publié leurs résultats. Sur LABBench2, il surpasse GPT-5.4 sur six tâches sur onze, avec une performance particulièrement nette sur CloningQA, un exercice de conception de réactifs pour protocoles de clonage moléculaire. En collaboration avec Dyno Therapeutics, le modèle a été testé sur des séquences d'ARN inédites : ses propositions ont dépassé 95 % des experts humains en prédiction de protéines, et atteint le 84e percentile pour la génération de séquences. Pour la recherche biomédicale, l'enjeu est considérable. Des tâches qui mobilisaient des équipes entières pendant des années peuvent désormais être accélérées par un modèle capable de raisonner sur des structures biologiques complexes. La gratuité pendant la phase de test lève la barrière financière pour les laboratoires, leur permettant d'expérimenter sans contrainte de budget. Si les performances observées se confirment en conditions réelles, GPT-Rosalind pourrait compresser significativement les cycles de développement de médicaments, dont les délais se comptent actuellement en décennies et les coûts en milliards de dollars. OpenAI a choisi une stratégie d'accès délibérément restrictive, justifiée par la sensibilité des domaines concernés. Les organisations candidates subissent une vérification approfondie : leurs travaux doivent présenter un impact collectif identifiable et positif. Les bénéficiaires acceptent des conditions d'usage strictes et s'engagent à mettre en place des mécanismes contre les détournements. Cette prudence n'est pas anodine : un modèle capable de manipuler des concepts biologiques avancés, comme la conception de protéines ou la modification de séquences génétiques, soulève des questions de biosécurité que la communauté scientifique et les régulateurs scrutent de près. Le lancement de GPT-Rosalind s'inscrit dans une course plus large entre OpenAI, Google DeepMind et des acteurs spécialisés comme Insilico Medicine pour dominer l'IA appliquée aux sciences de la vie, un marché estimé à plusieurs centaines de milliards de dollars d'ici 2030.