IA et équations complexes : un accélérateur pour médicaments et matériaux

Face à une nouvelle molécule ou à un matériau inédit, les scientifiques aimeraient pouvoir répondre à des questions très concrètes avant de passer au laboratoire : cette substance sera-t-elle stable ? Conduira-t-elle bien l’électricité ? S’attachera-t-elle à la bonne protéine ? Ces réponses sont enfouies dans des équations dont la difficulté explose dès que l’on passe de quelques particules à un système réaliste. C’est dans cet espace que l’intelligence artificielle commence à changer l’organisation de la recherche.

À l’université Texas A&M, les travaux associés au Dr Shuiwang Ji mettent en avant l’usage de l’IA pour traiter des problèmes scientifiques complexes. Cette dynamique s’inscrit dans l’AI4Science, ou intelligence artificielle au service des sciences. L’ambition n’est pas de déléguer une découverte à une machine, mais de doter les chercheurs d’outils capables d’explorer, de prédire et de prioriser des pistes que les calculs classiques ou les expériences seules examineraient beaucoup plus lentement.

Pourquoi les équations quantiques posent-elles un tel défi ?

Une grande partie de la chimie et de la science des matériaux repose sur la mécanique quantique. À l’échelle atomique, les électrons et les noyaux n’obéissent pas aux intuitions de la mécanique classique. L’équation de Schrödinger est l’un des cadres mathématiques permettant de décrire l’état et l’évolution de ces systèmes.

Sur le papier, connaître cette équation ne signifie pas qu’il est facile de la résoudre. Pour un système comportant peu de particules, certaines solutions exactes ou approximations très contrôlées sont accessibles. Mais chaque particule supplémentaire accroît fortement le nombre de configurations possibles à considérer. Le problème devient alors trop volumineux pour une résolution directe, même avec une puissance de calcul importante.

Cette difficulté n’est pas seulement théorique. Pour concevoir un médicament, il faut estimer comment une molécule interagit avec une cible biologique, dans un environnement qui peut lui-même être complexe. Pour créer un meilleur matériau d’électrode, il faut comprendre comment les atomes s’organisent, comment les électrons circulent et comment la structure réagit à des conditions d’usage. Dans les deux cas, une erreur de prédiction peut faire perdre du temps et des ressources à des équipes expérimentales.

Une synthèse de plus de 500 pages sur l’AI4Science

L’ampleur du mouvement est illustrée par une publication collective parue dans la revue Foundations and Trends in Machine Learning. Le document compte plus de 500 pages et examine les applications de l’IA à la science. Il rassemble plus de 60 auteurs, affiliés à 15 établissements d’enseignement supérieur.

Une telle synthèse témoigne de la diversité des disciplines concernées. L’AI4Science ne se limite ni aux assistants conversationnels ni à l’automatisation de tâches de bureau. Il s’agit de méthodes capables de travailler sur des données scientifiques : structures moléculaires, mesures de laboratoire, images microscopiques, résultats de simulations ou séries temporelles issues d’instruments.

Le rôle de l’apprentissage automatique est souvent de transformer ces informations en prédictions utiles. Un modèle peut, par exemple, apprendre à estimer une propriété à partir de caractéristiques déjà connues sur de nombreux composés. Il peut aussi aider à repérer des candidats prometteurs dans un espace de recherche immense, plutôt que de tester indistinctement toutes les options.

Les résultats produits par ces modèles doivent toutefois être interprétés dans leur contexte scientifique. Une prédiction n’est pas une preuve, et elle ne dispense ni des contrôles expérimentaux ni de l’expertise des chimistes, physiciens, biologistes et ingénieurs. Sa valeur tient à sa capacité à guider la prochaine décision : quelle molécule synthétiser, quel matériau caractériser ou quelle simulation approfondir.

Comment l’IA peut-elle aider à explorer molécules et matériaux ?

Les modèles d’IA peuvent intervenir à plusieurs moments d’un projet. Ils ne remplacent pas nécessairement les méthodes de simulation établies. Ils peuvent au contraire les compléter, notamment lorsqu’il faut effectuer de nombreuses estimations avant de sélectionner les calculs les plus détaillés.

Dans le domaine moléculaire, le modèle reçoit une représentation d’une structure chimique et apprend à la relier à une propriété observée ou calculée : énergie, stabilité, comportement potentiel dans une interaction donnée, par exemple. En science des matériaux, une démarche comparable peut servir à estimer les caractéristiques d’une structure cristalline ou d’un assemblage atomique avant sa fabrication.

L’intérêt est particulièrement grand lorsque le nombre de candidats est trop élevé pour être exploré de manière exhaustive. Au lieu de promettre une réponse parfaite à toutes les questions, l’IA peut réduire l’espace de recherche. Les équipes concentrent alors leurs moyens de calcul et leurs expériences sur les options qui semblent les plus plausibles.

Cette approche peut aussi contribuer à diminuer certaines erreurs associées à des approximations ou à des calculs trop lourds à multiplier. Mais elle introduit ses propres risques : données incomplètes, biais dans les jeux d’entraînement, extrapolation hors du domaine connu ou résultats difficiles à expliquer. La rapidité n’a d’utilité scientifique que si elle est accompagnée de méthodes robustes pour quantifier et vérifier l’incertitude.

Des calculs traditionnels aux modèles apprenants

Les méthodes classiques restent le socle de la modélisation scientifique. Elles reposent sur des lois physiques explicites et permettent, dans des conditions bien définies, de produire des résultats dont les hypothèses peuvent être examinées. Leur coût de calcul devient cependant prohibitif pour certains systèmes de taille utile.

Les modèles d’IA suivent une logique différente. Ils sont entraînés à partir d’exemples, qu’il s’agisse de données expérimentales ou de résultats issus de calculs de référence. Une fois entraînés, ils peuvent fournir rapidement des estimations sur de nouveaux cas proches de ce qu’ils ont appris. Le compromis est clair : leur performance dépend de la qualité et de la diversité des données disponibles, ainsi que de leur capacité à respecter les contraintes physiques pertinentes.

Les approches les plus intéressantes cherchent donc moins à opposer calcul scientifique et apprentissage automatique qu’à les articuler. Des modèles peuvent être informés par des lois physiques, utilisés pour accélérer une simulation ou chargés d’identifier les régions les plus utiles à explorer. Dans ce schéma, l’IA devient un instrument de navigation dans un espace de possibilités trop vaste pour être parcouru au hasard.

Texas A&M mise sur une recherche interdisciplinaire

À Texas A&M, le programme RAISE réunit plus de 85 membres du corps professoral. Cette organisation illustre une condition essentielle au développement de l’AI4Science : faire travailler ensemble des spécialistes de l’intelligence artificielle et des experts des domaines où elle est appliquée.

Un modèle puissant, conçu sans compréhension de la question chimique, médicale ou énergétique, risque de cibler le mauvais problème. À l’inverse, un spécialiste d’un domaine scientifique ne peut pas toujours mobiliser seul les outils informatiques et les infrastructures nécessaires pour construire, entraîner et évaluer des modèles modernes. Les collaborations permettent de relier les méthodes à des objectifs de recherche concrets.

Dans le cas des médicaments, cela signifie notamment distinguer une propriété informatique prometteuse d’un candidat réellement exploitable, qui devra encore satisfaire des exigences de sécurité, d’efficacité et de fabrication. Dans les matériaux, il faut prendre en compte la faisabilité de la synthèse, la durabilité et les conditions réelles d’utilisation. Une structure idéale dans une simulation n’est pas automatiquement un produit industriel viable.

Cette dimension collective concerne également les entreprises. Les secteurs pharmaceutique, énergétique et des matériaux ont intérêt à suivre ces méthodes, car elles peuvent modifier la phase amont de la recherche et du développement. Leur adoption exige néanmoins des données bien gérées, des compétences spécialisées et des procédures de validation adaptées aux décisions prises.

Ce qu’il faut surveiller dans l’AI4Science

À mesure que l’intelligence artificielle s’installe dans les laboratoires, la question n’est plus seulement de savoir si elle accélère un calcul. Il faut déterminer dans quelles conditions ses résultats sont fiables, reproductibles et réellement utiles.

Plusieurs points méritent une attention particulière :

• la qualité des données d’entraînement, notamment leur couverture des cas rares ou difficiles ;
• la capacité des modèles à signaler leur incertitude plutôt qu’à produire une réponse trompeusement assurée ;
• l’intégration de contraintes physiques et chimiques, afin d’éviter des prédictions incompatibles avec les lois connues ;
• la validation indépendante par des simulations de référence et des expériences ;
• la transparence des méthodes, indispensable lorsque des résultats orientent des programmes coûteux de recherche ou de développement.

Les travaux présentés autour de Texas A&M montrent surtout que l’IA pour la science devient un champ structuré, porté par des collaborations à grande échelle. Son potentiel est considérable pour la découverte de médicaments, la conception de matériaux et les systèmes énergétiques, dont les batteries. Mais sa promesse la plus crédible est celle d’une recherche mieux orientée : moins d’essais aveugles, davantage d’hypothèses testables et un dialogue renforcé entre le calcul, l’expérimentation et l’expertise humaine.