RechercheMarkTechPost · 26 juil. 2026, 12:38· 2 min de lecture

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.

Impact France/UE

Les laboratoires de recherche europeens en chimie computationnelle et science des materiaux pourraient adopter cet outil pour leurs travaux, sous reserve d'un acces restreint aux poids du modele via Hugging Face.

Dans nos dossiers

Hugging Face

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1arXiv cs.RO

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.

UELes laboratoires académiques et constructeurs européens spécialisés en conduite autonome (Renault, Stellantis, Valeo) peuvent intégrer ce modèle open-source pour réduire leur dépendance aux coûteuses collectes de données réelles.

RecherchePaper

1 source

2MarkTechPost

Construire un workflow multi-agents pour la modélisation de réseaux biologiques, interactions protéiques, métabolisme et signalisation cellulaire

Des chercheurs et développeurs en bioinformatique disposent désormais d'un tutoriel détaillé pour construire un pipeline multi-agents capable de modéliser des systèmes biologiques complexes en un seul environnement de calcul unifié. Publié sous forme de notebook Google Colab, ce guide propose d'assembler plusieurs agents spécialisés autour de quatre domaines distincts : l'analyse des réseaux de régulation génique, la prédiction des interactions protéine-protéine, l'optimisation des voies métaboliques et la simulation des cascades de signalisation cellulaire. Chaque agent traite des données synthétiques générées en amont, avec des paramètres contrôlés (14 gènes, 40 protéines, 70 pas de simulation), et un modèle OpenAI GPT-4o-mini joue le rôle d'investigateur principal, synthétisant l'ensemble des résultats en une interprétation biologique cohérente qui relie régulation, métabolisme et signalisation. L'intérêt de cette approche dépasse la simple démonstration technique. En centralisant dans un seul workflow des analyses qui nécessitent habituellement des outils et des équipes séparées, le pipeline réduit la friction entre disciplines et rend la biologie computationnelle reproductible à coût quasi nul. Les chercheurs en génomique, pharmacologie ou biologie synthétique peuvent ainsi prototyper des hypothèses sur des interactions moléculaires sans avoir accès à des données expérimentales réelles, ce qui accélère la phase exploratoire avant les expériences en laboratoire. Le recours à un LLM comme chef d'orchestre final est particulièrement notable : il ne remplace pas l'expertise humaine, mais il agrège des sorties hétérogènes en une narration scientifique structurée, comblant le fossé entre calcul brut et interprétation biologique. Ce type d'infrastructure reflète une tendance de fond dans la bioinformatique computationnelle : l'émergence de systèmes multi-agents où des modules IA spécialisés collaborent plutôt que de concentrer toute la logique dans un seul modèle monolithique. Des entreprises comme Recursion Pharmaceuticals ou Insilico Medicine ont déjà industrialisé des pipelines similaires pour la découverte de médicaments, mais l'accès à ces outils reste souvent réservé à des équipes bien dotées. La mise à disposition d'un tel tutoriel open-source, fondé sur des bibliothèques standard comme NumPy, NetworkX et scikit-learn, démocratise une approche jusque-là réservée aux grands laboratoires. La prochaine étape logique serait d'y intégrer de vraies données omiques, comme des profils d'expression ARN issus de bases publiques telles que GEO ou TCGA, pour transformer ce prototype pédagogique en outil de recherche opérationnel.

RechercheTuto

1 source

3Microsoft Research

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

Microsoft Research a annoncé plusieurs avancées majeures autour de MatterSim, son modèle d'intelligence artificielle dédié à la simulation des matériaux. L'équipe a d'abord validé expérimentalement une prédiction du modèle : le phosphure de tantale tétragonal (TaP) a été synthétisé en laboratoire et sa conductivité thermique mesurée à 152 W/m/K, une valeur proche de celle du silicium. Ce résultat confirme la fiabilité de MatterSim-v1, qui avait identifié ce matériau après avoir passé en revue plus de 240 000 candidats. Ces travaux ont été menés en collaboration avec l'Université du Texas à Dallas, l'Université de l'Illinois à Urbana-Champaign et l'Université de Californie à Davis. En parallèle, l'équipe a accéléré l'inférence du modèle de trois à cinq fois et l'a intégré au logiciel de simulation LAMMPS, autorisant des calculs à grande échelle sur plusieurs GPU simultanément. Microsoft lance également MatterSim-MT, un modèle de fondation multi-tâches capable de simuler des phénomènes impliquant plusieurs propriétés complexes que les approches classiques de surfaces d'énergie potentielle ne peuvent pas capturer seules. La conception de nouveaux matériaux sous-tend des pans entiers de l'innovation technologique, de la nanoélectronique au stockage d'énergie, mais les cycles de développement restent longs et onéreux. Les potentiels interatomiques par apprentissage automatique comme MatterSim visent à transformer ce paradigme : ils opèrent des ordres de grandeur plus vite que les simulations ab initio traditionnelles, ramenant des calculs autrefois prohibitifs à quelques heures de traitement. La validation du TaP illustre concrètement ce gain : au lieu de mois d'exploration empirique en laboratoire, MatterSim a permis de cibler un candidat à haute conductivité thermique parmi un quart de million de matériaux avant même toute synthèse. Les matériaux conducteurs de chaleur jouent un rôle critique dans la gestion thermique des processeurs, de l'électronique de puissance et des technologies aérospatiales. Disposer d'outils prédictifs fiables à cette échelle pourrait donc accélérer substantiellement le développement de composants de nouvelle génération. MatterSim-v1 avait été lancé par Microsoft Research et s'était rapidement imposé dans la communauté des sciences des matériaux grâce à sa capacité à simuler les matériaux dans des conditions réalistes, y compris à température et pression variables. Le nouveau modèle multi-tâches MatterSim-MT s'inscrit dans une tendance de fond : l'émergence de modèles de fondation couvrant un spectre de propriétés toujours plus large, au-delà de la simple stabilité structurelle. Microsoft n'est pas seul dans cette course : Google DeepMind avec GNoME et Meta avec ses outils FAIR-Chem développent des approches comparables. L'IA pour la découverte de matériaux attire des investissements croissants, portée par les besoins de l'industrie des semi-conducteurs, de la transition énergétique et de l'électronique avancée. Les prochaines étapes pour MatterSim passeront vraisemblablement par l'extension à de nouvelles propriétés simulables et une intégration plus étroite dans les workflows expérimentaux des laboratoires partenaires.

RecherchePaper

1 source

4arXiv cs.RO

Estimation d'état monoculaire métrique par alignement inertiel et priors cinétodynamiques

Une équipe de chercheurs présente une nouvelle méthode d'estimation d'état pour robots à structure flexible, publiée sur arXiv sous la référence 2511.20496. Le système exploite une caméra monoculaire, c'est-à-dire une seule caméra, couplée à des modèles physiques appelés "priors kinetodynamiques", pour localiser précisément un robot sans recourir aux capteurs inertiels classiques. La méthode repose sur deux composantes complémentaires : un réseau de neurones de type MLP (perceptron multicouche) qui apprend les propriétés élastiques du système, et des modèles cinématiques B-spline en temps continu qui capturent la fluidité du mouvement. Ces deux briques sont reliées par l'application de la deuxième loi de Newton, qui met en relation l'accélération dérivée visuellement et l'accélération générée par les déformations de la plateforme. Les chercheurs ont validé leur approche sur un prototype minimaliste composé d'un ressort et d'une caméra. Ce travail s'attaque à un problème fondamental de la robotique : les méthodes d'odométrie visuelle monoculaire peinent traditionnellement à récupérer l'échelle métrique absolue et l'orientation gravitationnelle, deux informations pourtant indispensables à la navigation autonome. Jusqu'ici, les algorithmes de localisation supposaient que la plateforme est un corps rigide, une hypothèse qui s'effondre dès qu'un drone aux bras flexibles, un robot mou ou tout système à structure déformable entre en jeu. En modélisant correctement la physique de la plateforme, les auteurs parviennent non seulement à une estimation de pose robuste sur des systèmes non rigides, mais aussi à récupérer les propriétés inertielles, rendant en partie superflue l'intégration d'une centrale inertielle dédiée. L'odométrie visuelle monoculaire est un domaine de recherche actif depuis plus d'une décennie, porté par l'essor des drones, des robots mobiles et des systèmes autonomes légers qui cherchent à minimiser poids et coût des capteurs. La robotique souple et les plateformes à géométrie variable représentent des cas d'usage croissants pour lesquels les hypothèses de corps rigide constituent un obstacle majeur. En intégrant directement les lois de la mécanique newtonienne dans le pipeline d'estimation, cette approche ouvre la voie à une nouvelle génération d'algorithmes capables de s'adapter à la déformabilité des plateformes réelles, avec des applications potentielles dans l'inspection industrielle, la livraison par drone et la chirurgie robotique.

RecherchePaper

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic