Dans un laboratoire de Manhattan, l’IA tente de ramener la découverte des matériaux de décennies à quelques jours

La science des matériaux se dote de son propre modèle de laboratoire autonome

Dans un laboratoire du centre de Manhattan, un système robotisé mélange des éléments, fait fondre des alliages, analyse la structure et teste les performances avec une intervention humaine minimale. L’objectif n’est pas une simple automatisation. Il s’agit de permettre à l’IA de proposer de nouveaux matériaux, de mener les expériences nécessaires pour les évaluer, d’apprendre des résultats et de répéter le cycle à un rythme que la recherche traditionnelle en matériaux atteint rarement.

Le laboratoire appartient à la start-up Radical AI, qui affirme que son approche pourrait raccourcir le chemin vers de nouveaux matériaux industriels, pour des applications allant de moteurs à réaction plus durables à des systèmes d’énergie de fusion. L’idée de l’entreprise est que l’IA peut faire davantage que passer au crible des formules connues. Elle peut aider à piloter l’ensemble de la boucle de découverte.

Pourquoi la découverte de matériaux est une cible si difficile

Mettre au point un nouveau matériau est souvent un processus très lent. Les scientifiques formulent des hypothèses, synthétisent un candidat, le caractérisent, le testent, puis révisent l’hypothèse en fonction des résultats. Fast Company indique que ce cycle peut prendre 20 ans ou plus. Ce délai compte, car la demande de nouveaux matériaux augmente au moment même où le monde fait face à des pénuries, à des limites de performance et au fardeau environnemental de l’extraction et de la fabrication.

Autrement dit, la science des matériaux regorge de problèmes à forte valeur ajoutée, mais elle est limitée par la vitesse expérimentale. Cela en fait un terrain naturel pour des systèmes d’IA capables d’explorer de vastes espaces de conception et pour une robotique capable d’exécuter de nombreux tests répétitifs sans attendre les heures de travail humaines.

Comment Radical AI décrit le fonctionnement de son système

Selon le texte source, le système d’IA de l’entreprise peut passer en revue 10 000 articles scientifiques en cinq secondes. Lorsque l’équipe commence à travailler sur un problème, elle donne au système un ensemble de propriétés matérielles souhaitées. L’IA s’appuie alors sur 380 000 articles et 57 millions de points de données issus du laboratoire, y compris des expériences ratées qui n’apparaissent généralement pas dans la littérature publiée.

Ce dernier point est important. En science, les échecs contiennent souvent des informations qui permettent de réduire un espace de recherche, mais ces échecs restent rarement visibles en dehors des carnets internes. Le système de Radical les utilise comme partie de sa mémoire de travail, puis propose de quelques dizaines à quelques centaines de matériaux candidats à tester.

Un laboratoire autonome, pas seulement un moteur de prédiction

Le laboratoire s’appuie sur des équipements standard de science des matériaux, mais le flux de travail est hautement automatisé. Fast Company rapporte que l’installation peut réaliser jusqu’à 50 expériences par jour et vise 100 par jour d’ici la fin de l’été. Le PDG Joseph Krause compare cela à un scientifique des matériaux humain qui pourrait mener 50 expériences par an.

Cela ne signifie pas que les humains disparaissent du processus. Cela veut dire que les chercheurs humains se concentrent sur la définition des objectifs, l’évaluation des résultats et la décision des directions qui comptent vraiment. La logique de Radical est qu’un seul scientifique pourrait se consacrer à plusieurs problèmes parce que le système absorbe une grande partie du travail de revue de la littérature, de génération d’hypothèses et d’exécution expérimentale.

Ce que cela pourrait changer

Si le modèle tient ses promesses, il pourrait modifier l’une des contraintes les plus tenaces de la R&D industrielle : le temps nécessaire pour passer d’un profil de propriétés souhaité à un nouveau matériau exploitable. Une découverte plus rapide ne garantirait pas la commercialisation, mais elle pourrait élargir considérablement l’entonnoir en permettant aux chercheurs de tester davantage d’idées et d’écarter plus tôt les mauvaises pistes.

L’entreprise a levé 55 millions de dollars lors d’un tour de table d’amorçage l’an dernier, ce qui reflète l’attention des investisseurs pour les systèmes d’IA qui promettent non seulement de résumer la science, mais de la réaliser dans une boucle plus serrée avec du matériel physique. C’est une affirmation plus difficile à valider qu’un benchmark logiciel. Mais c’est aussi l’affirmation qui compte si l’IA doit transformer la recherche dans le monde réel.

Pourquoi ce laboratoire se démarque

• Le système combine la génération d’hypothèses par IA avec un flux expérimental automatisé.
• Il s’appuie à la fois sur la littérature publiée et sur des dizaines de millions de points de données internes de laboratoire.
• L’entreprise affirme que le laboratoire peut déjà réaliser 50 expériences par jour, avec un objectif de 100.

Depuis des années, le rôle de l’IA dans la science est souvent décrit en termes abstraits. Radical AI avance une idée beaucoup plus concrète : l’avenir de la découverte pourrait dépendre de machines capables de lire, de raisonner, puis de tester physiquement leurs propres idées à l’échelle industrielle.

Cet article s’appuie sur le reportage de Fast Company. Lire l’article original.