Periodic Labs veut confier la découverte de matériaux à des scientifiques IA

Au lieu de limiter l’intelligence artificielle à l’analyse d’articles scientifiques ou à la prédiction des propriétés d’une molécule, Periodic Labs entend lui confier une partie beaucoup plus concrète du travail de recherche : expérimenter. Dévoilée le 1er octobre 2025, la startup veut concevoir des systèmes capables de formuler et de tester des hypothèses, puis de recommencer en fonction des résultats, comme le ferait une équipe de scientifiques dans un laboratoire.

L’ambition est considérable, mais elle répond à un problème très matériel. Pour découvrir une substance utile, les chercheurs doivent souvent préparer de nombreuses variantes, les chauffer, les mélanger, les modifier, puis caractériser leurs propriétés. Chaque essai peut apporter une information, y compris lorsqu’il échoue. Periodic Labs mise sur des robots et sur l’IA pour rendre cette boucle expérimentale plus continue et pour transformer ces essais en nouvelles données exploitables.

Periodic Labs, une startup dédiée aux scientifiques IA

Periodic Labs ne présente pas l’IA comme un simple outil d’assistance à la recherche. Son projet est de bâtir des « scientifiques en intelligence artificielle », autrement dit des systèmes qui seraient en mesure d’enchaîner plusieurs étapes du raisonnement et de l’expérimentation scientifique. Ils devraient pouvoir choisir une piste, conduire un essai, interpréter les informations obtenues et décider de l’expérience suivante.

Cette nuance est importante. Une IA peut déjà aider à trier une vaste littérature, à proposer des candidats matériaux ou à repérer des régularités dans des bases de données. Un laboratoire autonome ajoute une dimension physique à ces capacités : la machine ne se contente plus de calculer sur des données existantes, elle participe à la production de données nouvelles par l’expérience.

Dans la vision de Periodic Labs, des équipements robotisés mélangent, chauffent et modifient des substances de façon répétée. L’IA doit guider ce processus pour explorer les combinaisons les plus pertinentes, plutôt que de procéder seulement par essais aléatoires. Le résultat attendu est double : de nouveaux matériaux potentiels et un flux de données expérimentales susceptible d’améliorer les systèmes eux-mêmes.

Un financement de 300 millions de dollars et des soutiens de premier plan

Pour lancer ce projet, Periodic Labs a levé 300 millions de dollars dans le cadre de son financement initial. La somme place d’emblée l’entreprise parmi les jeunes pousses les mieux financées dans le domaine de l’IA appliquée à la découverte scientifique.

Parmi les soutiens cités figurent Andreessen Horowitz, Nvidia et Jeff Bezos. Leur présence illustre l’intérêt grandissant pour les systèmes qui relient l’IA aux infrastructures physiques : robots, équipements de laboratoire, calcul intensif et collecte de données. Contrairement aux assistants conversationnels, ces projets exigent de faire fonctionner ensemble des modèles informatiques et des instruments capables d’agir sur la matière.

Ce financement ne suffit pas, à lui seul, à garantir une percée scientifique. Les laboratoires sont coûteux à installer, les protocoles demandent une grande rigueur et les résultats doivent pouvoir être vérifiés. Il donne toutefois à Periodic Labs les moyens de poursuivre une ambition qui dépasse le développement d’un logiciel : créer un environnement expérimental où l’IA peut apprendre de résultats physiques réels.

Deux fondateurs issus de Google Brain et d’OpenAI

Periodic Labs est dirigée par Ekin Dogus Cubuk et Liam Fedus, deux chercheurs ayant travaillé au sein d’organisations majeures de l’IA.

Ekin Dogus Cubuk a auparavant dirigé des équipes consacrées aux matériaux chez Google Brain. Son parcours est notamment associé à GNoME, un système d’intelligence artificielle qui a permis d’identifier plus de 2 millions de nouveaux cristaux en 2023. Un cristal est un matériau dont les atomes sont arrangés selon une structure régulière. Or, la structure atomique détermine largement des propriétés qui intéressent l’industrie et la recherche, comme la conductivité, la stabilité ou les caractéristiques magnétiques.

Liam Fedus a occupé un rôle de premier plan chez OpenAI. Il a contribué à la création de ChatGPT et dirigé le développement du premier réseau neuronal à 1 000 milliards de paramètres. Son expérience représente l’autre versant du projet : la mise au point de modèles d’IA capables de traiter des problèmes complexes et d’orienter une séquence de décisions.

La réunion de ces deux profils résume la stratégie de la startup. D’un côté, la science des matériaux et les données expérimentales. De l’autre, les grands modèles d’IA et leur capacité à explorer de nombreuses possibilités. Periodic Labs veut les faire travailler dans une même boucle de recherche.

Pourquoi les supraconducteurs sont au cœur du premier défi

Le premier terrain d’application annoncé par Periodic Labs est celui des supraconducteurs. Ces matériaux peuvent conduire l’électricité sans résistance électrique lorsqu’ils sont placés dans certaines conditions. Cette propriété est particulièrement recherchée, car les pertes d’énergie liées à la résistance électrique constituent une contrainte dans de nombreux systèmes.

Le problème est que les supraconducteurs aujourd’hui connus nécessitent souvent des températures extrêmement basses ou une quantité importante d’énergie. Ces contraintes compliquent fortement leur utilisation à grande échelle. Découvrir des matériaux présentant des propriétés plus faciles à exploiter serait donc une avancée majeure pour de nombreuses technologies.

Periodic Labs évoque notamment la perspective d’ordinateurs plus rapides et de réseaux énergétiques plus efficaces. Il faut cependant distinguer le potentiel d’un matériau observé lors d’une expérience et son déploiement industriel. Entre les deux, il faut encore confirmer les résultats, comprendre les mécanismes physiques, vérifier la stabilité de la substance, puis déterminer si elle peut être produite de manière fiable et à un coût acceptable.

C’est précisément là que l’automatisation pourrait jouer un rôle. La science des matériaux explore un espace immense de compositions et de procédés possibles. Une IA reliée à un laboratoire pourrait tester et réviser rapidement un grand nombre de pistes, tout en conservant une trace structurée de chaque résultat.

Produire des données physiques, au-delà des données d’Internet

Periodic Labs part d’un constat formulé par l’entreprise : les modèles d’IA actuels ont déjà largement « consommé l’Internet ». Cette formule ne signifie pas que tout le savoir humain est épuisé, ni que les données accessibles en ligne sont inutiles. Elle souligne plutôt une limite : les connaissances publiées sur Internet décrivent principalement ce qui a déjà été observé, écrit, mesuré et partagé.

Pour progresser en science, il faut aussi générer des observations nouvelles. Dans le cas des matériaux, cela suppose de synthétiser de véritables substances, de les soumettre à des conditions précises et de mesurer ce qui se produit. Ces informations sont plus difficiles à obtenir qu’un texte ou une image disponible en ligne, car elles dépendent d’instruments, de protocoles et de matières premières.

L’objectif de Periodic Labs est donc de transformer le laboratoire en source de données. Chaque expérience, qu’elle confirme ou infirme une intuition, peut enrichir la compréhension du système. Une série d’essais bien documentés peut aider une IA à écarter des pistes peu prometteuses et à concentrer les expériences suivantes sur des hypothèses plus crédibles.

L’IA peut-elle remplacer les chercheurs en laboratoire ?

La promesse de scientifiques IA appelle une mise au point. Periodic Labs ne fait pas disparaître le besoin de chercheurs humains. Les scientifiques restent nécessaires pour définir les questions importantes, concevoir ou évaluer les protocoles, interpréter les anomalies et vérifier que les résultats sont solides. Ils jouent aussi un rôle central dans la publication, la reproduction indépendante des expériences et la discussion des implications d’une découverte.

L’automatisation peut en revanche réduire certaines tâches répétitives et accélérer la phase d’exploration. Elle peut être particulièrement utile lorsqu’un problème comporte un très grand nombre de combinaisons possibles. Un humain ne peut pas tester toutes les compositions imaginables, tandis qu’un système robotisé peut enchaîner les essais selon un protocole, y compris en dehors des rythmes habituels d’un laboratoire.

Mais la rapidité n’est pas le seul critère de qualité scientifique. Une découverte doit être fiable, explicable et reproductible. Une IA peut proposer une piste inattendue, mais il faut encore établir pourquoi elle fonctionne, identifier ses limites et s’assurer qu’il ne s’agit pas d’un résultat lié à une erreur de mesure ou à une condition trop particulière. L’intuition, la créativité et le jugement humain restent donc décisifs pour transformer un résultat expérimental en véritable avancée.

Ce qu’il faudra surveiller chez Periodic Labs

La trajectoire de Periodic Labs se jouera moins sur l’annonce de son financement que sur sa capacité à démontrer des résultats concrets. Plusieurs éléments permettront d’évaluer son approche : la mise en service effective de laboratoires autonomes, la diversité des expériences réalisables, la qualité des données produites et la capacité du système à obtenir des matériaux présentant des propriétés vérifiables.

Il faudra aussi observer si les résultats peuvent être reproduits et s’ils débouchent sur des avancées reconnues par la communauté scientifique. Dans le domaine des supraconducteurs, la prudence est particulièrement nécessaire : une propriété prometteuse en laboratoire ne se traduit pas automatiquement par une technologie exploitable.

L’idée défendue par la startup est néanmoins structurante. Si l’IA devient capable non seulement d’analyser la science existante, mais aussi d’organiser des expériences qui produisent de nouvelles connaissances, la recherche pourrait gagner un outil inédit. Periodic Labs ouvre ainsi un chantier ambitieux : faire du laboratoire robotisé un partenaire actif de la découverte scientifique, sans confondre la vitesse de calcul avec la totalité du travail de la science.