À l’intérieur des laboratoires alimentés par l’IA : une nouvelle ère de découverte de matériaux

De même qu’un nombre croissant d’industries, la science des matériaux est également aidée par l’intelligence artificielle (IA).

Ici, les algorithmes d’apprentissage automatique (ML) analysent d’immenses jeux de données et identifient des modèles pour suggérer des candidats matériels prometteurs en un minimum de temps, alors que la consommation de ressources est nettement inférieure aux méthodes d’essais et d’erreurs.

Le travail manuel traditionnel, intensif en main-d’œuvre, qui a été augmenté par l’avènement des systèmes de calcul, qui permettent des calculs complexes, est maintenant complètement révolutionné par des processus automatisés, parallèles et itératifs pilotés par l’IA, la simulation et l’automatisation expérimentale. 

La maturation de la technologie d’IA, combinée à l’informatique haute performance et aux technologies hybrides de cloud, aide la science des matériaux à entrer dans un nouveau paradigme marqué par la découverte accélérée de nouveaux matériaux, la modélisation prédictive des propriétés des matériaux et l’expérimentation autonome. 

Ce changement de paradigme permet aux chercheurs de passer des approches d’essais et d’erreurs à la conception, réduisant ainsi considérablement les cycles de développement et ouvrant la voie à des matériaux avancés dans les domaines  de l’énergie, de l’électronique, des soins de santé et des applications de durabilité.

Récemment, des chercheurs de l’Université d’État de Caroline du Nord ont franchi une étape majeure en créant un laboratoire autonome pour réaliser un nouveau bond en avant dans l’automatisation des laboratoires et accélérer encore la découverte de matériaux par les scientifiques.

Le laboratoire automatisé collecte dix fois plus de données que les méthodes manuelles traditionnelles. Avec cette avancée, les chercheurs peuvent mener des expériences chimiques dynamiques en temps réel, économisant du temps et des ressources tout en  permettant des avancées plus rapides.

Les nouvelles découvertes en laboratoire ne prendront plus des années ; nous sommes en train de regarder vers un avenir où les inventions se produiront en quelques jours.

Un laboratoire alimenté par l’IA : apprentissage en temps réel pour une découverte en temps réel

Pour surmonter les défis mondiaux en matière d’énergie propre, de bien-être humain et de durabilité, il est critique de faire des découvertes rapides de matériaux fonctionnels avancés. La découverte et la synthèse de nouveaux matériaux sont également essentielles pour les technologies innovantes comme les batteries, les puces informatiques, les panneaux solaires, et beaucoup plus.

Par conséquent, beaucoup de progrès ont été réalisés dans les plateformes d’accélération des matériaux et les laboratoires autonomes.

Malgré les progrès, la capacité de ces plateformes et laboratoires à explorer des espaces de paramètres complexes est entravée par un faible débit de données. Les transferts et le traitement de données lents entraînent une productivité réduite.

Par conséquent, les chercheurs de l’Université d’État de Caroline du Nord ont “introduit des expériences de flux dynamique comme une stratégie d’intensification des données pour la synthèse de matériaux inorganiques dans des laboratoires fluidiques autonomes par la cartographie continue des conditions de réaction transitoires en équivalents à l’état stable.”

Publié dans Nature Chemical Engineering¹, l’étude présente un laboratoire autonome de pointe qui utilise des expériences en temps réel pour collecter constamment des données, ce qui rend la découverte de matériaux plus rapide et plus efficace tout en réduisant les coûts et l’impact environnemental.

Pour leur travail, l’étude a reçu le soutien de la National Science Foundation et du programme d’initiatives de recherche de l’Université de Caroline du Nord.

Maintenant, qu’est-ce que signifie exactement les laboratoires autonomes (SDL) ? Eh bien, ce sont des plateformes robotiques qui combinent l’apprentissage automatique et l’automatisation avec les sciences chimiques et des matériaux pour trouver des matériaux plus rapidement. Dans ces plateformes expérimentales modulaires assistées par l’apprentissage automatique, une série d’expériences, qui sont sélectionnées par l’algorithme d’apprentissage automatique, sont menées de manière itérative pour atteindre l’objectif programmé.

“Imaginez si les scientifiques pouvaient découvrir des matériaux révolutionnaires pour l’énergie propre, les nouveaux électroniques ou les produits chimiques durables en quelques jours au lieu de quelques années, en utilisant seulement une fraction des matériaux et en générant beaucoup moins de déchets que le statu quo.”

– Co-auteur de l’article, Milad Abolhasani, professeur ALCOA de génie chimique et biomoléculaire à l’Université d’État de Caroline du Nord

Il a ajouté :

“Ce travail rapproche cet avenir d’un pas.”

Représentant une approche transformatrice pour accélérer la découverte scientifique, les laboratoires autonomes gagnent en popularité dans les domaines de la chimie et de la science des matériaux.

Les laboratoires autonomes qui utilisent des réacteurs à flux continu s’appuient souvent sur des expériences de flux à l’état stable, où différents précurseurs sont combinés avant que les réactions chimiques n’aient lieu, et le mélange s’écoule continuellement à travers un microcanal.

Le produit qui sort de celui-ci est ensuite caractérisé par une série de capteurs une fois la réaction terminée.

“Cette approche établie des laboratoires autonomes a eu un impact dramatique sur la découverte de matériaux”, a noté Abolhasani, en partageant que cela a permis aux scientifiques d'”identifier des candidats matériels prometteurs pour des applications spécifiques en quelques mois ou semaines, plutôt qu’en années, tout en réduisant à la fois les coûts et l’impact environnemental du travail.” Mais ce n’était pas parfait à aucun égard, avec encore des domaines d’amélioration.En particulier, l’arrêt du système lorsque la réaction chimique a lieu avant que le matériau résultant ne puisse être caractérisé. Le temps d’attente pour les laboratoires autonomes peut être d’une heure pour chaque expérience d’écoulement à régime stationnaire.

“Nous avons maintenant créé un laboratoire autonome qui utilise des expériences d’écoulement dynamique, où des mélanges chimiques sont continuellement variés à travers le système et sont surveillés en temps réel.”

– Abolhasani 

Ce que cela signifie c’est que ils éliminent le processus de passage d’échantillons séparés à travers le système et de test de chacun d’entre eux un à la fois après qu’ils aient atteint un état. 

Au lieu de cela, ils ont construit un système qui simplement ne cesse jamais de fonctionner. Les échantillons passent continuellement à travers le système. Ceci est dû au fait que “le système ne cesse jamais de caractériser l’échantillon”, et que le chercheur peut “capturer des données sur ce qui se passe dans l’échantillon toutes les demi-secondes”.

L’intégration d’expériences d’écoulement dynamique dans les laboratoires fluidiques autonomes marque une rupture avec les expériences traditionnelles par lots. 

Contrairement aux approches conventionnelles, où des points de données isolés sont collectés sous des conditions de régime stationnaire, dans les expériences d’écoulement dynamique, les principes microfluidiques sont utilisés pour une cartographie rapide des conditions de réaction.

En créant un flux constant de données, cela élargit considérablement les données expérimentales accessibles.

Abolhasani a illustré que l’équipe obtient maintenant 20 points de données sur ce que produit l’expérience, en commençant par un après 0,5 seconde de temps de réaction, puis un après 1 seconde de temps de réaction, et ainsi de suite, contrairement au seul point de données qu’ils obtiendraient après 10 secondes de temps de réaction. Il a ajouté :

“C’est comme passer d’une seule photo à un film complet de la réaction à mesure qu’elle se produit. Au lieu d’attendre la fin de chaque expérience, notre système fonctionne toujours, apprend toujours.” 

Avoir autant de données peut avoir un impact considérable sur les performances d’un laboratoire alimenté par l’IA. Les données, après tout, sont la clé d’un algorithme. L’IA est avide de données, et en fonction des données qu’elle reçoit, l’algorithme fait des prédictions.

Selon Abolhasani :

“La partie la plus importante de tout laboratoire autonome est l’algorithme d’apprentissage automatique que le système utilise pour prédire quelle expérience il doit réaliser ensuite.” 

Ainsi, l’approche de transmission de données en continu permet au cerveau de l’IA du laboratoire autonome de prendre non seulement des décisions plus rapides mais aussi plus intelligentes, “en se concentrant sur les matériaux et les processus optimaux en une fraction du temps”.

La qualité des données détermine également l’exactitude des prédictions. Ainsi, en ayant plus de données expérimentales de haute qualité, l’algorithme peut faire des prédictions plus précises, et puis il peut résoudre un problème plus rapidement.

“Cela a l’avantage supplémentaire de réduire la quantité de produits chimiques nécessaires pour parvenir à une solution.” 

– Abolhasani

Pour démontrer les capacités de leur système, l’équipe a appliqué des expériences d’écoulement dynamique à des points quantiques colloïdaux de CdSe. Cela a été utilisé comme banc d’essai en raison de son statut de système inorganique bien établi avec non seulement des dépendances de paramètres riches mais aussi un potentiel technologique important.

Dans ce cas, l’équipe a constaté que leur laboratoire, qui incorporait un système d’écoulement dynamique, a réalisé “une amélioration d’un ordre de grandeur de l’efficacité d’acquisition de données”.Il a produit au moins 10 fois plus de données que d’autres laboratoires de conduite autonome qui utilisaient des expériences d’écoulement à état stable. De plus, une fois formé, le laboratoire de conduite autonome a été en mesure de découvrir les meilleurs candidats dès sa première tentative.

Cette avancée, comme l’a déclaré Abolhasani, “ne concerne pas seulement la vitesse”, mais également la réalisation de la durabilité. En réduisant le nombre d’expériences requises, le système réduit considérablement à la fois la consommation de produits chimiques et les déchets, promouvant des pratiques de recherche plus durables. Abolhasani a déclaré :

“L’avenir de la découverte de matériaux ne concerne pas seulement la vitesse à laquelle nous pouvons aller, mais également la manière responsable dont nous y arrivons. Notre approche signifie moins de produits chimiques, moins de déchets et des solutions plus rapides pour les défis les plus difficiles de la société.”

Le rôle élargi de l’IA dans les sciences des matériaux : découvertes récentes passionnantes

L’IA transforme les industries dans le monde entier, et cela inclut la science des matériaux, qui est fondamentale pour de nombreuses innovations technologiques et défis sociétaux. 

En conséquence, l’utilisation de l’IA dans la découverte et le développement de nouveaux matériaux se poursuit depuis de nombreuses années maintenant, mais elle a certainement gagné en importance ces dernières années à mesure que la technologie devient plus avancée et plus performante. 

“Avec le développement continu, nous nous attendons à ce que la robotique et l’automatisation améliorent la vitesse, la précision et la reproductibilité des expériences sur divers instruments et disciplines, générant les données que les systèmes d’intelligence artificielle peuvent analyser pour guider de nouvelles expériences.“

– Dr. James Cahoon, co-auteur de l’article ‘Transformer les laboratoires scientifiques en usines automatisées de découverte.^2′

Avec cela, examinons quelques progrès clés réalisés dans la science des matériaux cette année dans différentes applications.

Tout d’abord, comme nous l’avons récemment partagé, avec l’aide de l’IA, les scientifiques ont pu concevoir des méta-émetteurs thermiques 3D complexes qui peuvent abaisser les températures intérieures et aider à économiser les coûts énergétiques. Le matériau créé à l’aide d’une nouvelle technique ML peut trouver des applications dans les bâtiments résidentiels et commerciaux, les véhicules spatiaux, les tissus et les textiles, les automobiles, et plus encore.

“En automatisant le processus et en élargissant l’espace de conception, nous pouvons créer des matériaux avec des performances supérieures qui étaient auparavant inimaginables.“

– Le co-auteur de l’étude, Yuebing Zheng

Développer de nouveaux matériaux métalliques avec une force supérieure

Il y a quelques mois, des scientifiques ont signalé l’utilisation de l’IA pour concevoir un nouvel alliage MPEA ou à plusieurs éléments principaux , qui se trouvent dans les composants d’avion, les convertisseurs catalytiques et les prothèses du genou.

Le nouvel alliage MPEA conçu présente des propriétés mécaniques supérieures, ce que Sanket Deshmukh, professeur agrégé de génie chimique à Virginia Tech, a déclaré : “démontre comment les cadres et l’IA explicables peuvent débloquer de nouvelles possibilités dans la conception de matériaux.“

Pour interpréter l’analyse réalisée par le modèle d’IA, Deshmukh et son équipe ont utilisé l’analyse SHAP (SHapley Additive exPlanations), qui leur a permis de comprendre comment les différents éléments et leurs environnements locaux affectent les propriétés des MPEA, ce qui fournit plus d’informations et de prévisions précises.Ensuite, fournissant plus d’informations et de prévisions précises.En plus d’accélérer la découverte d’alliages métalliques avancés, Deshmukh croit que l’intégration de ML avec des algorithmes évolutionnaires et une validation expérimentale peut également nous aider à créer des outils qui “peuvent être étendus à des systèmes de matériaux complexes tels que les glycomatériaux – des matériaux polymériques contenant des glucides.”

Dévoiler les secrets de la croissance dendritique dans les couches minces

La recherche³ de l’Université des sciences de Tokyo (TUS) a développé un modèle d’IA explicatif qui prédit la croissance des dendrites (modèle de branchement en arbre) dans les couches minces, qui constitue un obstacle majeur dans leur fabrication à grande échelle et restreint leur commercialisation.

En révélant les conditions et les mécanismes spécifiques derrière le branchement des dendrites, le modèle d’IA aide à améliorer le processus de croissance des couches minces. Les dispositifs à couches minces sont essentiels dans la technologie des semi-conducteurs.

Le nouveau modèle d’IA a intégré la méthode d’apprentissage automatique appelée analyse en composantes principales (ACP) et la technique topologique appelée homologie persistante avec analyse d’énergie libre. 

“En intégrant la topologie et l’énergie libre, notre méthode offre une approche polyvalente pour l’analyse des matériaux. Grâce à cette intégration, nous pouvons établir une connexion hiérarchique entre les microstructures à l’échelle atomique et les fonctionnalités macroscopiques sur une large gamme de matériaux, ouvrant la voie à des avancées futures dans la science des matériaux.“

– Le professeur Masato Kotsugi du département de science et technologie des matériaux à la TUS

Mieux comprendre les nanoparticules

Une équipe de scientifiques de plusieurs universités s’est réunie pour développer une méthode⁴ pour mieux comprendre le comportement dynamique des nanoparticules, qui sont les briques de base de l’électronique, des produits pharmaceutiques et des matériaux industriels.

Il a combiné la microscopie électronique avec l’IA pour visualiser les structures et les mouvements des molécules à une résolution temporelle sans précédent.

Comme l’a expliqué Peter A. Crozier, professeur de science et d’ingénierie des matériaux à l’Université d’État de l’Arizona :

“La microscopie électronique peut capturer des images à une résolution spatiale élevée, mais en raison de la vitesse à laquelle la structure atomique des nanoparticules change au cours des réactions chimiques, nous devons collecter des données à une vitesse très élevée pour comprendre leur fonctionnalité.”

Pour atténuer ce bruit, ils ont développé une méthode d’IA qui supprime automatiquement le bruit, “permettant la visualisation de la dynamique atomique clé.”

Pendant ce temps, un groupe de recherche de l’Université technique de Graz est en train de prendre la construction de nanostructures à un nouveau niveau en utilisant l’IA.

Pour cela, ils sont en train de développer un système d’IA autonome qui positionne automatiquement des molécules individuelles rapidement et dans la bonne orientation en utilisant des microscopes à effet tunnel, un processus autrement difficile et long, pour permettre la construction de “structures moléculaires complexes, y compris des circuits logiques à l’échelle nanométrique.L’objectif est de construire en fin de compte des enclos quantiques, qui sont des nanostructures en forme de porte qui peuvent piéger des électrons, et de les utiliser pour construire des circuits logiques pour étudier leur fonctionnement au niveau moléculaire. 

Découverte de meilleurs matériaux photovoltaïques

Une alternative durable aux cellules solaires à base de silicium classiques, les cellules solaires à pérovskite montrent un grand potentiel en tant que technologie photovoltaïque de nouvelle génération pour convertir la lumière du soleil en électricité. 

Leur efficacité peut être encore augmentée grâce à des molécules qui conduisent les charges positives, mais il existe des millions de molécules différentes, ce qui signifie synthétiser et tester toutes ces molécules. Cependant, en utilisant l’IA avec une synthèse automatique à haut débit, une équipe de chercheurs de l’Institut de technologie de Karlsruhe (KIT) a pu découvrir de nouvelles molécules organiques⁵ en seulement quelques semaines, avec seulement 150 expériences ciblées.

Les matériaux nouvellement découverts ont également augmenté l’efficacité d’une cellule solaire de référence d’environ deux points de pourcentage.

Pour cela, les scientifiques se sont tournés vers une base de données contenant un million de molécules virtuelles et ont sélectionné aléatoirement 13 000 d’entre elles avant d’en choisir 101. Les molécules sélectionnées présentaient les plus grandes différences dans leurs propriétés, et elles ont été synthétisées avec des systèmes robotiques avant de les utiliser pour produire des cellules solaires.

Poser les fondements de la découverte de matériaux pilotée par l’IA

Alors que toutes ces découvertes sont en cours, pour que l’IA puisse vraiment se produire, elle a besoin de données. Cela inclut des données sur les matériaux ainsi que des données provenant de simulations à grande échelle. 

Alors que de nombreuses bases de données de ce type sont disponibles, elles sont plutôt isolées, ce qui nécessite une norme standard “afin que les utilisateurs puissent communiquer avec toutes ces bibliothèques de données et comprendre les informations qu’ils reçoivent,“ a noté Gian-Marco Rignanese, professeur à l’Institut de la matière condensée et des nanosciences à l’UCLouvain en Belgique.

Ainsi, l’été dernier, une importante collaboration internationale a publié une version étendue de la norme OPTIMADE pour faciliter la découverte de matériaux pilotée par l’IA.

La norme OPTIMADE (Intégration de bases de données ouvertes pour la conception de matériaux) est soutenue par un large réseau international d’institutions et de bases de données de matériaux. Avec pour objectif de donner aux utilisateurs un accès plus facile aux bases de données de matériaux de premier plan ainsi qu’aux bases de données moins connues, une nouvelle version de celle-ci a été introduite qui peut encore accélérer la découverte de matériaux pilotée par l’IA en cours.

Investir dans l’IA pour la découverte de matériaux

Lorsque l’on se penche sur l’investissement dans ce domaine, Alphabet Inc. (GOOGL ) propriétaire de Google est l’un qui a lancé un outil d’IA appelé Gnome. Il a signalé la découverte de 2,2 millions de nouveaux cristaux avec celui-ci. Ensuite, il y a Microsoft (MSFT ), qui a introduit MatterGen et MatterSim pour créer de nouveaux matériaux candidats et les valider.

Mais il y a un autre géant de l’IA qui a lancé son propre modèle pour élever l’échelle et la précision de la recherche sur les matériaux.

NVIDIA Corporation

C’est none autre que le chéri de l’IA, Nvidia. Fin dernière année, l’entreprise a présenté NVIDIA ALCHEMI (Laboratoire d’IA pour la chimie et l’innovation des matériaux).

La plateforme vise à accélérer la R&D en chimie et en science des matériaux grâce au pouvoir de l’IA, et pour atteindre cet objectif, elle comprend des API et des microservices d’inférence accélérés. Ceci permettra la création et le déploiement de modèles d’IA pour explorer l’univers des matériaux et suggérer de nouveaux candidats, et le développement et l’utilisation de modèles de remplacement pour atteindre un équilibre entre le coût de calcul et la précision. Cela permettra également d’avoir des outils d’informaticque accessibles et des modèles de base pré-entraînés pour des outils de dépistage et de simulation rapides pour entraîner et affiner les modèles d’IA pour de nouveaux cas d’utilisation.

Grâce à ALCHEMI, NVIDIA vise à accélérer le processus de découverte et à “inaugurer une nouvelle ère de découvertes révolutionnaires pour un avenir plus durable et plus sain.”

Nvidia est une entreprise avec une capitalisation boursière de 4 220 milliards de dollars, dont les actions sont cotées autour de 173,5 dollars, en hausse de 28,8 % sur l’année. Son BPA (TTM) est de 3,10, le P/E (TTM) est de 55,73, et le rendement des dividendes offert est de 0,02 %.

Dernières nouvelles et développements sur les actions de NVIDIA Corporation (NVDA)

Conclusion

Comme l’IA, l’automatisation et l’informatique haute performance se réunissent, la science des matériaux entre dans son ère la plus transformative, marquant un changement nécessaire de la méthode d’essais et d’erreurs menée par l’homme à la découverte autonome.

Au milieu de cela, les laboratoires alimentés par l’IA et les plateformes expérimentales autonomes changent complètement la façon dont les scientifiques non seulement découvrent, mais également testent et optimisent les matériaux. De plus, avec des initiatives comme ALCHEMI de NVIDIA, Gnome de Google et MatterGen de Microsoft, les grandes entreprises parient également sur l’IA pour alimenter la prochaine vague d’innovation !

Cliquez ici pour en savoir plus sur l’investissement dans l’intelligence artificielle.

Références :

1. Delgado‑Licona, F.; Alsaiari, A.; Dickerson, H.; Klem, P.; Ghorai, A.; Canty, R. B.; Bennett, J. A.; Jha, P.; Mukhin, N.; Li, J.; López‑Guajardo, E. A.; Sadeghi, S.; Bateni, F.; Abolhasani, M. Flow‑Driven Data Intensification to Accelerate Autonomous Inorganic Materials Discovery. Nature Chemical Engineering, publié en ligne le 14 juillet 2025. https://doi.org/10.1038/s44286-025-00249-z
2. Angelopoulos, A.; Cahoon, J. F.; Alterovitz, R. Transforming Science Labs into Automated Factories of Discovery. Sci. Robot. 2024, 9(95), eadm6991. https://doi.org/10.1126/scirobotics.adm6991
3. Tone, M.; Sato, S.; Kunii, S.; Obayashi, I.; Hiraoka, Y.; Ogawa, Y.; Fukidome, H.; Foggiatto, A. L.; Mitsumata, C.; Nagaoka, R.; Varadwaj, A.; Varadwaj, P. R.; Matsuda, I.; Kotsugi, M.; et al. Linking Structure and Process in Dendritic Growth Using Persistent Homology with Energy Analysis. Sci. Technol. Adv. Mater. Methods 2025, 5 (1), Article 2475735. https://doi.org/10.1080/27660400.2025.2475735
4. Crozier, P. A.; Leibovich, M.; Haluai, P.; Tan, M.; Thomas, A. M.; Vincent, J.; Mohan, S.; Morales, A. M.; Kulkarni, S. A.; Matteson, D. S.; Wang, Y.; Fernandez‑Granda, C. Visualizing Nanoparticle Surface Dynamics and Instabilities Enabled by Deep Denoising. Science 2025, 387 (6737), 949–954. https://doi.org/10.1126/science.ads2688
5. Wu, J.; Torresi, L.; Hu, M.; Reiser, P.; Zhang, J.; Rocha‑Ortiz, J. S.; Wang, L.; Xie, Z.; Zhang, K.; Park, B.‑W.; Barabash, A.; Zhao, Y.; Luo, J.; Wang, Y.; Lüer, L.; Deng, L.‑L.; Hauch, J. A.; Guldi, D. M.; Pérez‑Ojeda, M. E.; Seok, S. I.; Friederich, P.; Brabec, C. J. Inverse Design Workflow Discovers Hole‑Transport Materials Tailored for Perovskite Solar Cells. Science 2024, 386(6727), 1256–1264. https://doi.org/10.1126/science.ads0901