Une IA relie l’art et la science pour imaginer de nouveaux matériaux

L’innovation naît parfois d’un rapprochement que personne n’avait pensé à faire. Une structure cellulaire peut-elle éclairer l’organisation d’une partition musicale ? Un tableau abstrait peut-il inspirer la conception d’un biomatériau ? C’est sur ce terrain, à la frontière de l’ingénierie, de la biologie et des arts, qu’un système d’intelligence artificielle développé au Massachusetts Institute of Technology, le MIT, entend faire émerger des pistes inédites.

Le projet est porté par Markus J. Buehler, chercheur au MIT. Publiés dans la revue Machine Learning: Science and Technology, ses travaux décrivent une approche fondée sur des graphes de connaissances. L’objectif n’est pas de demander à une machine de choisir arbitrairement une forme ou un matériau. Il consiste à représenter les liens entre idées, structures et propriétés afin de repérer des analogies difficiles à voir dans l’immensité des données scientifiques et culturelles.

Une IA qui s’intéresse d’abord aux relations

Un graphe est une manière simple de représenter un réseau. Il associe des nœuds, qui peuvent être des concepts, des objets ou des phénomènes, et des liens, qui décrivent leurs relations. Dans une carte routière, les villes seraient les nœuds et les routes les liens. Dans un système de recherche scientifique, les nœuds peuvent désigner un matériau, une propriété mécanique, une méthode de fabrication ou un principe biologique.

Cette représentation est particulièrement intéressante lorsque les informations ne prennent pas la forme d’une liste linéaire. La recherche sur les matériaux est précisément un domaine fait de dépendances multiples : la composition chimique d’une substance influe sur sa structure, cette structure sur ses propriétés, et ces propriétés sur ses usages possibles. Une IA qui ne considère que des documents séparés peut manquer les ponts entre ces éléments.

Le système de Buehler combine ainsi l’extraction de connaissances avec une dimension générative. Autrement dit, il ne se limite pas à classer ce qui existe déjà. À partir de la carte relationnelle qu’il construit, il cherche à produire des prédictions sur des concepts ou des designs qui n’avaient pas nécessairement été envisagés ensemble.

Pourquoi la théorie des catégories entre-t-elle en jeu ?

L’étude mobilise des graphes inspirés de la théorie des catégories, une branche abstraite des mathématiques. Cette théorie s’intéresse moins à la nature intrinsèque des objets qu’aux transformations et aux relations qui les relient. Elle fournit donc un langage adapté pour comparer des systèmes très différents à partir de leur organisation.

Cette idée peut sembler éloignée des préoccupations d’un ingénieur en matériaux. Elle répond pourtant à une difficulté concrète : deux domaines peuvent employer des objets très différents tout en partageant des principes de structure comparables. Une partition musicale et un matériau vivant ne sont évidemment pas la même chose. En revanche, ils peuvent tous deux présenter une organisation faite de motifs, de répétitions, de hiérarchies et d’interactions entre éléments.

Le cadre graphique permet au système de conserver cette dimension relationnelle. Plutôt que de chercher une ressemblance superficielle, par exemple une image qui évoquerait visuellement une autre image, il tente d’identifier des correspondances dans l’agencement d’un ensemble complexe. C’est ce niveau d’abstraction qui ouvre la voie à des dialogues entre science et art.

Il faut toutefois éviter un malentendu. L’IA ne démontre pas qu’une œuvre artistique contient une recette de chimie ou qu’une symphonie est un matériau déguisé. Elle propose une façon de parcourir des structures complexes et de transformer des analogies en pistes de recherche. La valeur de la méthode dépend donc à la fois de la qualité de ses données et de la capacité des chercheurs à examiner ses propositions.

Une carte bâtie à partir de 1 000 articles scientifiques

Pour élaborer sa cartographie, l’équipe a utilisé un ensemble de 1 000 articles scientifiques. Ce corpus permet de connecter des notions qui, dans la littérature, sont parfois séparées par les frontières habituelles entre disciplines. Les graphes rendent alors visibles des voisinages conceptuels, des lacunes de connaissances ou des chemins possibles entre une question de départ et une piste de conception.

Dans un usage de recherche, un tel outil pourrait aider à poser des questions plus précises. Un scientifique peut, par exemple, explorer les propriétés recherchées pour un matériau et remonter vers des mécanismes biologiques ou des formes d’organisation susceptibles de les inspirer. Le système peut aussi attirer l’attention sur des connexions qui ne figurent pas explicitement dans un seul article, mais qui apparaissent lorsque plusieurs sources sont mises en relation.

Cette capacité est précieuse dans les sciences des matériaux, où les variables sont nombreuses. Résistance, souplesse, légèreté, biodégradabilité, coût, procédés de fabrication et compatibilité avec un usage donné doivent souvent être conciliés. Les essais restent indispensables, mais une carte de connaissances peut contribuer à mieux choisir les hypothèses à tester.

L’approche se distingue donc d’une simple recherche par mots-clés. Une recherche documentaire classique retrouve surtout les textes qui contiennent les termes demandés. Un raisonnement graphique cherche aussi les relations indirectes : un concept relié à une propriété, elle-même reliée à une structure, elle-même associée à un autre domaine. Cette navigation par relations est au cœur de la promesse du projet.

De Beethoven aux matériaux biologiques, une analogie de structure

L’un des exemples les plus frappants rapportés par les chercheurs concerne les liens entre les matériaux biologiques et la Neuvième Symphonie de Beethoven. Le système a mis en évidence des similitudes dans la complexité des arrangements : l’organisation des cellules au sein de matériaux vivants peut être rapprochée de structures musicales faites de relations entre de nombreux éléments.

Cette comparaison ne signifie pas qu’un matériau biologique « joue » de la musique. Son intérêt est méthodologique. Elle montre qu’un même outil peut représenter des formes de complexité provenant de domaines qui ne partagent ni les mêmes données, ni les mêmes objectifs, ni le même vocabulaire. Pour un chercheur, une organisation musicale peut alors devenir une source de questions sur l’organisation d’une structure matérielle.

L’art et la musique ont longtemps été utilisés comme métaphores pour décrire le vivant ou la matière. Ici, la démarche va un peu plus loin : elle tente de formaliser ces rapprochements dans un système de relations que l’IA peut explorer. Les analogies deviennent alors des objets de travail, à discuter et à vérifier, plutôt que de simples images poétiques.

Kandinsky comme point de départ pour un composite de mycélium

Une autre exploration du modèle s’appuie sur Composition VII, tableau abstrait de Wassily Kandinsky. Le système a recommandé une piste de matériau biologique inspirée de cette œuvre. La proposition prend la forme d’un composite à base de mycélium, le réseau de filaments qui constitue la partie végétative des champignons.

Le mycélium intéresse déjà la recherche sur les biomatériaux, notamment parce qu’il peut servir de base à des matériaux biosourcés. Dans le cadre présenté par l’équipe du MIT, l’intérêt réside autant dans le matériau envisagé que dans le chemin de pensée ayant permis d’y parvenir : une œuvre d’art abstrait devient une référence structurelle susceptible de nourrir une idée de conception.

Les applications évoquées pour ce type de piste comprennent la construction durable, les alternatives biodégradables aux plastiques et certaines technologies biomédicales. Ces débouchés ne doivent cependant pas être interprétés comme la preuve qu’un produit est prêt à être déployé. Entre une suggestion générée par un modèle et un matériau utilisable, il reste de nombreuses étapes : fabrication, caractérisation, essais de résistance, vérification de la sécurité, évaluation environnementale et adaptation aux contraintes industrielles.

Une méthode pour élargir la recherche, pas pour remplacer le laboratoire

La force du modèle est de favoriser ce que la recherche appelle l’interdisciplinarité. Il peut faire circuler une question entre ingénierie, biologie, musique et arts visuels, là où ces domaines sont souvent étudiés dans des cadres distincts. Pour des équipes confrontées à des données complexes, cette capacité de mise en relation peut aider à sortir des pistes les plus évidentes.

Mais cette ouverture s’accompagne de limites importantes. Un système d’IA dépend de la couverture de son corpus, de la manière dont les concepts y sont définis et de la pertinence des relations qu’il infère. Une connexion surprenante peut être féconde, mais aussi simplement séduisante sans débouché pratique. Les résultats doivent donc être interprétés par des spécialistes capables d’évaluer leur plausibilité physique, chimique ou biologique.

C’est pourquoi la meilleure façon d’envisager cet outil est comme un partenaire d’exploration. Il peut assister les scientifiques dans la formulation d’hypothèses, l’identification de connaissances manquantes et la conception de questions nouvelles. La décision de retenir une piste, puis de la transformer en objet réel, demeure un travail expérimental.

Ce qu’il faut surveiller pour juger l’impact de cette approche

Les prochains travaux devront montrer dans quelle mesure ces liens graphiques conduisent à des découvertes reproductibles. Le critère décisif ne sera pas seulement la qualité esthétique ou la surprise d’une analogie, mais la capacité à obtenir des matériaux dont les propriétés peuvent être mesurées et comparées à des solutions existantes.

Il faudra également suivre l’extension des jeux de données. Le corpus de 1 000 articles constitue une base de cartographie, mais les sciences des matériaux évoluent vite et couvrent de nombreux sous-domaines. Des données plus variées pourraient enrichir les relations détectées, tout en rendant indispensable un contrôle accru de leur qualité et de leur contexte.

Enfin, cette recherche pose une question plus large sur la créativité assistée par IA. Si les systèmes savent relier des connaissances éloignées, leur rôle pourrait dépasser la rédaction ou la génération d’images pour toucher la découverte scientifique elle-même. Leur intérêt sera alors de rendre l’exploration plus vaste et plus rigoureuse, sans confondre une proposition algorithmique avec une innovation démontrée.