L’ère est arrivée où l’intelligence artificielle (IA) imagine et prédit de manière autonome les structures et les propriétés des nouveaux matériaux. Aujourd’hui, l’IA fonctionne comme le « deuxième cerveau » du chercheur, participant activement à chaque étape de la recherche, de la génération d’idées à la validation expérimentale.
Un article de synthèse complet publié dans ACS Nano analyse l'impact des technologies d'IA, d'apprentissage automatique (ML) et d'apprentissage profond (DL) dans la science et l'ingénierie des matériaux. L'article a été co-écrit par le professeur Seungbum Hong et son équipe du Département de science et d'ingénierie des matériaux du KAIST, en collaboration avec des chercheurs de l'Université Drexel, de l'Université Northwestern, de l'Université de St Andrews et de l'Université du Tennessee aux États-Unis.
L'équipe de recherche a proposé une stratégie d'utilisation du cycle complet pour l'innovation des matériaux via une plate-forme de recherche de catalyseurs basée sur l'IA, qui incarne le concept d'un laboratoire autonome, un système dans lequel les robots effectuent de manière autonome des expériences de synthèse et d'optimisation des matériaux.
L'équipe du professeur Hong a classé la recherche sur les matériaux en trois étapes principales : découverte, développement et optimisation, et a détaillé le rôle distinctif de l'IA dans chaque phase :
Au stade de la découverte, l’IA conçoit de nouvelles structures, prédit les propriétés et identifie rapidement les matériaux les plus prometteurs parmi de vastes pools de candidats.
Au stade du développement, l’IA analyse les données expérimentales et ajuste de manière autonome les processus expérimentaux grâce à des systèmes de laboratoire autonomes, réduisant ainsi considérablement les délais de recherche.
Au cours de la phase d'optimisation, l'IA utilise l'apprentissage par renforcement, qui identifie les conditions optimales grâce à l'optimisation bayésienne, qui permet d'obtenir efficacement des résultats supérieurs avec un minimum d'expérimentation, afin d'affiner les conceptions et les conditions de processus pour des performances maximales.
Essentiellement, l’IA sert d’« assistant intelligent » qui sélectionne les matériaux les plus prometteurs, réduit les essais et erreurs expérimentaux et optimise de manière autonome les conditions expérimentales pour obtenir les résultats les plus performants.
L'article souligne en outre comment les technologies de pointe telles que l'IA générative, les réseaux de neurones graphiques (GNN) et les modèles de transformateur transforment l'IA d'un outil informatique en un « chercheur réfléchi ». Néanmoins, l'équipe prévient que les prédictions de l'IA ne sont pas à l'épreuve des erreurs et que des défis majeurs persistent, tels qu'une qualité de données déséquilibrée, une interprétabilité limitée des prédictions de l'IA et l'intégration d'ensembles de données hétérogènes.
Pour remédier à ces limites, les auteurs soulignent l’importance de développer des systèmes d’IA capables de comprendre de manière autonome les principes physiques et d’assurer des processus décisionnels transparents et vérifiables pour les chercheurs.
L'analyse explore également le concept de laboratoire autonome, dans lequel l'IA conçoit de manière autonome des plans expérimentaux, analyse les résultats et détermine les prochaines étapes expérimentales, sans intervention manuelle des chercheurs. La plateforme de recherche de catalyseurs basée sur l'IA illustre ce concept, permettant aux robots de concevoir, d'exécuter et d'optimiser automatiquement des expériences de synthèse de catalyseurs.
En particulier, l’étude présente des cas dans lesquels l’expérimentation basée sur l’IA a considérablement accéléré le développement de catalyseurs, suggérant que des approches similaires pourraient révolutionner la recherche sur les batteries et les matériaux énergétiques.
« Cette étude démontre que l'intelligence artificielle émerge comme le nouveau langage de la science et de l'ingénierie des matériaux, transcendant son rôle de simple outil », a déclaré le professeur Seungbum Hong. « La feuille de route présentée par l'équipe KAIST servira de guide précieux aux chercheurs des principales industries nationales coréennes, notamment les batteries, les semi-conducteurs et les matériaux énergétiques. »
