Un groupe de recherche a développé SPACIER, un outil open source innovant qui conjugue des algorithmes d’optimisation bayésienne à des simulations moléculaires all-atom automatisées, afin d’accélérer la conception et l’optimisation de matériaux polymériques. Basé sur la bibliothèque Python RadonPy, capable d’automatiser l’ensemble du processus de calcul – depuis la recherche de conformations, le calcul de charges et l’assignation de paramètres de force jusqu’à la génération de chaînes polymériques et la détermination de 17 propriétés physiques (thermiques, optiques, mécaniques, etc.) –, SPACIER permet de surmonter les limitations liées à la rareté des données expérimentales et aux coûts élevés des calculs de première approche. En guise de démonstration, l’outil a été appliqué à la conception de polymères optiques, réussissant à synthétiser de nouveaux matériaux qui dépassent la frontière empirique établie par le compromis entre indice de réfraction et nombre d’Abbe, illustrant ainsi sa capacité à explorer des régions inaccessibles de l’espace chimique. Ce système intégré, fruit d’une collaboration entre chercheurs de l’Institut de Mathématiques Statistiques, du Graduate University for Advanced Studies, de JSR Corporation et de l’Institut des Sciences de Tokyo, représente une avancée majeure pour le design assisté par machine learning dans le domaine des polymères, tout en s’inscrivant dans une dynamique d’innovation soutenue par un consortium industrie-université. Les résultats, publiés dans npj Computational Materials, soulignent le potentiel de SPACIER à transformer la recherche en matériaux polymériques en automatisant et en accélérant les expérimentations informatiques.
https://phys.org/news/2025-02-automated-polymer-tool-machine-molecular.html