Les méthodes conventionnelles de prédiction de la structure cristalline dans la conception des matériaux nécessitent un échantillonnage structurel approfondi via des méthodes de minimisation d'énergie coûteuses en calcul, utilisant des simulations de champ de force ou de mécanique quantique. Si les nouveaux modèles génératifs d'IA se sont révélés très prometteurs pour générer plus rapidement des structures cristallines réalistes, la plupart des modèles existants ne prennent pas en compte la symétrie et la périodicité inhérentes aux matériaux cristallins et se limitent à des structures ne contenant que quelques dizaines d'atomes par maille. Dans cet article, nous présentons LEGO-xtal (Local Environment Geometry-Oriented Crystal Generator), une approche générative d'IA prenant en compte la symétrie qui surmonte ces limitations. Cette méthode génère des structures initiales à l'aide de modèles d'IA entraînés sur un petit jeu de données augmenté, puis les optimise à l'aide d'un descripteur de structure basé sur l'apprentissage automatique plutôt que sur une optimisation énergétique conventionnelle. Nous démontrons l'efficacité de LEGO-xtal en adaptant le modèle à plus de 1 700 structures issues de 25 allotropes de carbone sp2 de basse énergie connus. Toutes ces structures se situent à moins de 0,5 eV/atome de l'énergie fondamentale du graphite. Ce cadre fournit une stratégie généralisable pour la conception ciblée de matériaux avec des composants modulaires, tels que des structures organométalliques et des matériaux de batterie de nouvelle génération.
