Sujet
Tous les articles d’Actu.ai consacrés à Recherche scientifique : actualités, analyses et explications sur ce sujet lié à l’intelligence artificielle. 36 articles
Des ingénieurs de Duke University ont mis au point une équipe d’agents d’IA capable de mener les étapes clés de problèmes de conception complexes. Testé sur des défis de métamatériaux, ce « scientifique artificiel » atteint des performances proches de celles de doctorants et illustre le potentiel, mais aussi les limites, de l’automatisation de la recherche.
L’intelligence artificielle accélère la découverte de médicaments, mais elle peut aussi révéler les angles morts de la biosécurité. Des chercheurs associés à Microsoft ont montré que des milliers de séquences de protéines nocives générées par IA pouvaient échapper aux filtres utilisés pour contrôler les commandes d’ADN.
Au MIT, des chercheurs ont conçu SCIGEN, un outil qui impose des règles géométriques aux modèles d’IA générative de matériaux. Son objectif n’est pas de produire toujours plus de cristaux théoriques, mais de cibler ceux dont la structure pourrait révéler des propriétés quantiques rares, puis de les vérifier en laboratoire.
Les équations qui décrivent les molécules et les systèmes quantiques deviennent vite impossibles à résoudre exactement. Des chercheurs de Texas A&M participent à une vaste synthèse sur l’AI4Science, un champ où l’intelligence artificielle aide à explorer plus vite des candidats médicaments, des matériaux et des batteries.
L’intelligence artificielle s’invite à toutes les étapes de la publication scientifique, de l’analyse des données à la rédaction des manuscrits. Si elle peut faire gagner un temps précieux, elle pose une question centrale : comment préserver la fiabilité des résultats lorsque des machines participent à leur production et à leur évaluation ?
Développé par des chercheurs de Helmholtz Munich, Centaur a appris à partir de plus de 10 millions de décisions issues d’expériences psychologiques. Ce modèle entend prédire les choix et les temps de réaction humains, y compris dans des situations nouvelles, afin d’aider la recherche à mieux étudier la cognition.
La recherche produit toujours plus de données et de publications, mais transformer cette abondance en découvertes prend du temps. FutureHouse propose des agents d’intelligence artificielle pour explorer la littérature, concevoir des expériences et analyser des données. Leur promesse est forte, mais la validation par les chercheurs reste indispensable.
Un analyste des risques basé à Denver développe un assistant d’IA destiné à contester certaines conclusions de l’épidémiologie sur les polluants. Financé par l’American Chemistry Council, le projet revendique une lecture plus rigoureuse des données, mais alarme des experts par ses possibles effets sur la santé publique et la régulation.
Le ministère américain de l’Énergie a choisi Dell Technologies pour construire Doudna, un futur supercalculateur destiné au centre NERSC du Lawrence Berkeley National Laboratory. Attendu en 2026, il reposera sur la plateforme Vera Rubin de Nvidia et devra rapprocher calcul scientifique traditionnel et intelligence artificielle.
Faire dialoguer les équations de la physique et l’intelligence artificielle peut rendre certains modèles plus sobres, plus robustes et plus utiles à la recherche. De l’imagerie médicale aux simulations industrielles, cette approche ne remplace pas les lois scientifiques : elle les intègre pour mieux exploiter les données.
Le MIT prend ses distances avec une étude qui affirmait que l’intelligence artificielle accroît fortement les découvertes des scientifiques, tout en réduisant leur satisfaction au travail. L’institut estime ne pas disposer de garanties suffisantes sur la provenance, la fiabilité et la validité des données. Une affaire qui rappelle les exigences de la recherche scientifique.
Les modèles d’IA peuvent fournir une réponse erronée avec une assurance trompeuse, un risque majeur pour la recherche en matériaux et en chimie. Des chercheurs du PNNL proposent une méthode pour mesurer cette incertitude, détecter les limites d’un modèle et guider son entraînement vers les données réellement nécessaires.
Des chercheurs du MIT présentent React-OT, un modèle d’apprentissage automatique destiné à prédire l’état de transition d’une réaction chimique. Environ cinq étapes et 0,4 seconde lui suffisent pour proposer une estimation, avec une précision améliorée de 25 % par rapport aux prédictions antérieures.
Google présente DolphinGemma, un modèle d’IA conçu avec le Wild Dolphin Project pour analyser les vocalisations de dauphins tachetés de l’Atlantique. L’outil ne traduit pas encore leur langage, mais il pourrait accélérer l’identification de séquences sonores et appuyer de nouvelles expériences de communication interespèces.
Les robots de laboratoire peuvent réaliser des manipulations répétitives avec une grande régularité, tandis que l’intelligence artificielle aide à exploiter les données expérimentales. Cette évolution promet d’accélérer certains travaux scientifiques, mais son déploiement dépend encore des investissements, des compétences et d’un cadre de confiance.
Une étude sur la fertilité animale, publiée le 13 février 2025 puis retirée moins de deux jours plus tard, a suscité la stupeur. En cause, une illustration générée par IA montrant un rat à l’anatomie manifestement incohérente. L’incident interroge les contrôles appliqués aux images dans les publications scientifiques.
Une IA capable de conduire une étude et de publier un article scientifique fascine autant qu’elle inquiète. L’archive consacrée à Autoscience Carl attribue cette avancée à Sakana AI, mais confond plusieurs étapes essentielles de la recherche. Rédaction automatisée, expériences, évaluation par les pairs et responsabilité scientifique ne recouvrent pas la même réalité.
L’intelligence artificielle change déjà la façon de chercher, d’analyser et de collaborer dans les laboratoires. Mais ses gains de vitesse ne dispensent ni de vérifier les résultats, ni de protéger les données, ni d’assumer les choix scientifiques. Trois interrogations permettent de distinguer un outil utile d’un raccourci risqué.
L’intelligence artificielle ne remplace pas le chercheur, mais elle commence à prendre en charge une partie de son travail, de la lecture d’articles à la génération d’expériences informatiques. Avec AI Scientist de Sakana AI et des outils comme Research Rabbit, la recherche gagne en vitesse, tout en affrontant de nouvelles exigences de contrôle et de transparence.
Les progrès de l’intelligence artificielle ne reposent pas seulement sur des algorithmes plus performants. Ils créent aussi un vocabulaire et des méthodes que biologistes, roboticiens, climatologues et informaticiens peuvent partager. Cette convergence, illustrée par AlphaFold et les travaux menés au MIT, pourrait transformer la façon dont la science coopère.
Et si l’IA ne se limitait plus à répondre à des questions, mais aidait les chercheurs à formuler de meilleures hypothèses ? Le concept d’exocortex imagine un collectif d’agents IA capables de lire la littérature, analyser des données et accompagner des expériences. Une promesse stimulante, qui reste indissociable de la validation humaine.
Trouver un matériau adapté à une batterie, à un composant électronique ou à un système énergétique peut exiger des années d’essais. Avec MatterGen, Microsoft propose une IA générative capable d’imaginer directement des structures cristallines répondant à des contraintes définies, puis de fournir aux chercheurs des candidats à vérifier en laboratoire.
La conseillère scientifique de la Maison Blanche, Arati Prabhakar, a présenté au MIT sa vision d’une science américaine capable de répondre aux grandes priorités nationales. Recherche fondamentale, transfert vers l’industrie, lutte contre le cancer, transition énergétique et intelligence artificielle sont les piliers de cette stratégie.
Trouver un matériau adapté à une batterie, un semi-conducteur ou un composant électronique exige habituellement de longues mesures et simulations. Des chercheurs de l’IISc et de l’UCL proposent une méthode d’apprentissage par transfert qui permet à une IA de mieux prédire certaines propriétés avec des jeux de données limités.
