Ces dernières années, l’intelligence artificielle (IA) s’est imposée comme un outil indispensable qui révolutionne de nombreux domaines de la connaissance humaine, de la médecine à la psychologie en passant par l’ingénierie. Cependant, la science des matériaux est un domaine qui n’est pas aussi communément associé à l’IA que ceux mentionnés ci-dessus, mais sur lequel elle peut apporter des changements à la fois profonds et d’une grande portée.
Conçue comme la science qui se concentre sur la compréhension et la manipulation des propriétés et des applications des matériaux pour développer des solutions innovantes, ce domaine se trouve à un moment charnière. Si les méthodes traditionnelles basées sur des essais manuels et des erreurs sont efficaces, elles prennent souvent beaucoup de temps et nécessitent beaucoup de ressources. Ces problèmes peuvent être résolus en adoptant une stratégie plus efficace basée sur l’IA au cours du processus de R&D, ce qui représente non seulement une simple amélioration dans ce domaine, mais aussi un changement de paradigme. Cette capacité de transformation est en train de remodeler la façon dont la R&D des matériaux est abordée, offrant une rapidité et une précision sans précédent dans le développement de matériaux innovants.
Dans cet article, Alcimed explore l’intersection dynamique de l’IA et de la science des matériaux à travers des exemples d’entreprises et de projets réussis.
Au cours de la dernière décennie, l’IA a connu une croissance exponentielle. Bénéficiant d’une forte dynamique de recherche et des progrès de la technologie et de la disponibilité des données, le nombre de publications scientifiques et de brevets dans ce domaine a connu une hausse spectaculaire au cours des dix dernières années (TCAC de 20 % et 30 % respectivement). Les États-Unis et la Chine sont en tête de la course à l’IA, avec des contributions significatives d’institutions académiques telles que l’Académie chinoise des sciences, le Massachusetts Institute of Technology (MIT) ou l’Université Carnegie Mellon. En outre, en raison de l’énorme potentiel et de l’avenir prometteur de l’IA, de nombreuses entreprises consolidées et start-ups se lancent dans ce domaine, ce qui stimule l’innovation et met en évidence le vaste potentiel de l’IA dans différents secteurs d’activité.
Le processus de découverte de matériaux est une approche globale utilisée pour identifier et développer de nouveaux matériaux dotés de propriétés souhaitables pour diverses applications. Ce processus, qui peut être décomposé en différentes étapes, a trouvé certaines limites dans le passé en raison de l’utilisation de méthodes traditionnelles qui limitaient la vitesse du cycle de découverte. Cependant, avec l’avènement de l’IA, l’ensemble du cycle est accéléré et enrichi à toutes les étapes, ce qui conduit à une accélération sans précédent du processus de découverte.
Grâce à des algorithmes, au traitement du langage naturel (NLP), à l’exploration de texte ou à des techniques telles que l’allocation de Dirichlet latent (LDA), les outils d’IA permettent d’analyser les tendances du marché, les activités des concurrents, les avis des clients, les indicateurs économiques… afin d’identifier les exigences émergentes, les tendances futures et les nouvelles questions basées sur les besoins.
Grâce à des algorithmes de NLP ou d’apprentissage automatique, des outils alimentés par l’IA comme ChemDataExtractor, tmChem ou IBM DeepSearch peuvent travailler avec des bases de données extrêmement vastes qui sont alimentées par des connaissances scientifiques historiques (brevets, articles, rapports, …) et qui sont continuellement mises à jour.
Ces outils peuvent ingérer et analyser toutes les données pour extraire et identifier les informations pertinentes, les concepts clés, les modèles, les corrélations… et même résumer les résultats pour fournir une vue d’ensemble des connaissances existantes. Jusqu’à présent, cette étape a été l’une des plus profitables, et deux approches différentes ont pu être identifiées :
Sur la base des données existantes précédemment analysées et des cadres théoriques, l’analyse pilotée par l’IA peut identifier des relations plausibles entre les matériaux, les propriétés et d’autres variables, et proposer des hypothèses qui élargissent l’espace de découverte.
Prédiction : Les modèles formés par l’IA, tels que les réseaux neuronaux et les algorithmes de régression, peuvent prédire les propriétés et le comportement de nouveaux matériaux en fonction de plusieurs variables telles que leur composition ou leur structure. L’IA peut ensuite passer rapidement au crible de vastes bibliothèques de compositions matérielles potentielles, en prédisant leurs propriétés et en identifiant les candidats prometteurs pour une étude plus approfondie.
Simulation : L’exécution de simulations de matériaux pilotées par l’IA à différentes échelles (atomique, moléculaire, macro) peut remettre en question les prédictions précédemment établies en modélisant leur comportement dans diverses conditions. Ensuite, l’IA peut récupérer et analyser les données de simulation et, grâce à des modèles génératifs tels que le GAN (Generative adversarial Network) ou les VAE (variation Autoencoders), proposer de nouvelles structures matérielles susceptibles de présenter les propriétés souhaitées. Cela permet de créer une boucle fermée qui peut être alimentée jusqu’à ce qu’un nombre désiré de solutions soient prédites qui répondent aux exigences établies.
Test : Une fois que la solution prédite est conforme aux caractéristiques recherchées, l’IA peut mener des expériences virtuelles pour tester les propriétés du matériau dans diverses conditions simulées. Cela permettra d’optimiser la conception d’expériences physiques réelles en sélectionnant l’ensemble d’évaluations le plus informatif et le plus efficace à réaliser, maximisant ainsi les informations obtenues.
Les outils alimentés par l’IA permettent le prétraitement et le nettoyage des données. Ces outils peuvent effectuer différents types d’analyses (statistiques, multivariées, en temps réel…) et même être intégrés à des modèles de simulation et d’expérimentation, fournissant un retour d’information immédiat et des informations qui permettent d’optimiser les conditions expérimentales de manière dynamique.
L’IA, grâce au NLP, peut générer des rapports personnalisés qui résument de grands volumes de données expérimentales, incluent des visualisations interactives et avancées (tracés 3D, cartes thermiques…), et intègrent même des informations provenant de données textuelles telles que des notes de laboratoire ou des articles de recherche.
Enfin, puisque le potentiel de l’IA peut être maximisé avec les connaissances d’un expert humain dans le domaine en déterminant certaines caractéristiques nécessaires et en affinant certains paramètres, les chercheurs sont toujours au cœur du processus d’innovation. La présence de l’expert permet d’augmenter les chances des modèles génératifs alimentés par l’IA de proposer un éventail de matériaux possibles qui devront être évalués et synthétisés en laboratoire.
Découvrez comment notre équipe peut répondre à vos besoins de conseil en intelligence artificielle >
Le département de science et d’ingénierie des matériaux de Berkeley a mis au point le A-Lab, un laboratoire autonome qui exploite l’intelligence artificielle (IA) pour accélérer considérablement la synthèse de nouveaux matériaux et combler le fossé entre les taux de criblage informatique et la réalisation expérimentale de nouveaux matériaux.
L’A-Lab, qui a été conçu pour accélérer la synthèse de nouveaux matériaux inorganiques, a synthétisé 41 nouveaux composés à partir d’un ensemble de 58 cibles en seulement 17 jours. En utilisant les données du Materials Project et de Google DeepMind, ainsi que des modèles de langage naturel formés sur la littérature historique, le laboratoire autonome a généré et optimisé des recettes de synthèse à l’aide d’un apprentissage actif fondé sur la thermodynamique.
L’A-Lab a démontré l’impact transformateur de l’IA dans la science des matériaux, permettant une découverte plus rapide, une optimisation continue et une évolutivité à haut débit. L’intégration de l’IA et de la robotique a permis des processus de synthèse autonomes, efficaces et précis, rendant les expériences reproductibles avec une intervention humaine minimale.
Altrove est une start-up française qui s’appuie sur l’intelligence artificielle (IA) pour accélérer la découverte et la création de nouveaux matériaux cruciaux pour des technologies telles que les véhicules électriques ou l’électronique de pointe. L’entreprise se concentre particulièrement sur la création d’alternatives aux matériaux contenant des terres rares, étant donné qu’à ce jour, les éléments de terres rares sont entourés de nombreux défis géopolitiques et économiques.
L’entreprise relève les défis complexes de la science des matériaux non seulement en prédisant de nouveaux matériaux potentiels, mais aussi en élaborant des recettes précises pour leur synthèse. Son approche consiste à utiliser des modèles d’intelligence artificielle pour prédire des matériaux inorganiques stables, suivis de processus de laboratoire automatisés pour synthétiser, tester et optimiser ces matériaux.
Citrine Informatics est une entreprise américaine spécialisée dans l’industrie des matériaux qui applique l’intelligence artificielle et des méthodes fondées sur les données pour accélérer la découverte et le développement de matériaux. Elle utilise des algorithmes avancés d’apprentissage automatique pour analyser de vastes ensembles de données relatives aux propriétés, à la composition et aux performances des matériaux. Grâce à ses quatre produits différents, elle peut créer un écosystème alimenté par l’IA qui permet aux scientifiques et aux ingénieurs de prendre des décisions fondées sur des données de manière plus efficace et efficiente.
Les plateformes pilotées par l’IA de Citrine ont déjà été mises en œuvre avec succès par plusieurs entités de l’industrie des matériaux afin d’optimiser leurs efforts de R&D.
Exemples d’études de cas :
En conclusion, l’intégration de l’intelligence artificielle (IA) dans la science des matériaux révolutionne le paysage de la R&D en matière de nouveaux matériaux. Les méthodologies basées sur l’IA facilitent l’analyse rapide de vastes ensembles de données, la modélisation prédictive des propriétés des matériaux et l’optimisation des protocoles expérimentaux, accélérant ainsi le cycle d’innovation.
Cependant, malgré ces avancées, le chemin vers une pleine exploitation du potentiel de l’IA en R&D est encore en cours. Des défis subsistent, notamment en matière d’intégration des données, de développement d’algorithmes et de traduction des connaissances en IA en applications pratiques, entre autres. Si vous avez un projet lié à l’IA et souhaitez en discuter avec notre équipe, n’hésitez pas à nous contacter !
À propos de l’auteur,
Vincent, Directeur de l’équipe Chimie et Matériaux d’Alcimed en France.
Cross-sectoriel
Naturellement abondantes dans la nature et faciles à produire, les algues sont de plus en plus utilisées dans l’industrie. Mais quelles sont leurs applications ?
Cross-sectoriel
Parmi l’ensemble des solutions de construction à plus faible empreinte environnementale (matériaux biosourcés, béton bas carbone, etc.), les matériaux géosourcés peuvent-ils représenter LA ...
Cross-sectoriel
L’intérêt de limiter l’exploitation des matières premières n’est plus à prouver, l’épuisement des ressources naturelles étant devenue un sujet de première importance. Le sable, par ...