Au MIT, une IA cartographie les idées pour imaginer de nouveaux matériaux

Face à l’accumulation des publications scientifiques, le défi n’est plus seulement de produire des données ou des articles. Il consiste aussi à relier des connaissances dispersées, parfois exprimées dans des disciplines qui ne se parlent guère. C’est sur ce terrain que travaille Markus J. Buehler, professeur au Massachusetts Institute of Technology, avec un modèle d’intelligence artificielle associant IA générative et graphes de connaissances.

Présentée le 13 novembre 2024, cette approche vise notamment la recherche sur les matériaux biologiques. Elle ne se contente pas de résumer une masse de textes : elle organise les concepts et les relations qu’ils entretiennent sous la forme d’une carte. L’objectif est de permettre aux scientifiques de poser des questions complexes, de voir les zones encore peu explorées et de formuler des hypothèses de conception pour de nouveaux matériaux.

L’originalité de la démarche tient aussi à son ouverture. Dans les expériences évoquées par le MIT, le modèle met en rapport des principes issus de la biologie avec des structures musicales ou des motifs de l’art abstrait. Une manière d’explorer des analogies sans réduire la science à une simple recherche de ressemblances superficielles.

Transformer des articles scientifiques en carte de connaissances

Un graphe est une structure qui représente à la fois des éléments et les liens qui les unissent. Dans une carte de transport, par exemple, les stations constituent des points et les lignes représentent les connexions. Dans un graphe de connaissances scientifiques, le même principe s’applique à des idées, des phénomènes, des propriétés ou des méthodes décrits dans les publications.

Le système développé par l’équipe de Markus J. Buehler combine cette représentation avec des techniques d’extraction de connaissances génératives. Il peut ainsi traiter la littérature scientifique pour faire apparaître des relations symboliques complexes entre les informations qu’elle contient. Selon le chercheur, cette méthode peut accélérer la découverte scientifique en produisant des prédictions sur des idées et des concepts qui n’ont pas encore été explorés.

Dans le cas étudié, 1 000 articles scientifiques consacrés aux matériaux biologiques ont été analysés puis convertis en une carte de connaissances. Cette cartographie rend visibles les interconnexions au sein du corpus et fait ressortir des groupes d’idées émergentes, c’est-à-dire des ensembles de notions liées entre elles à travers plusieurs travaux.

La force d’un tel graphe réside dans sa capacité à conserver le contexte relationnel. Une notion n’est pas envisagée comme un mot-clé isolé, mais à travers les connexions qui la relient à d’autres informations. Cette forte connectivité permet une exploration plus approfondie de connaissances qui, lues article par article, resteraient difficiles à rapprocher.

Pourquoi la théorie des catégories est-elle mobilisée ?

La démarche s’inspire de la théorie des catégories, une branche des mathématiques qui étudie les structures abstraites et les relations entre elles. Plutôt que de se concentrer uniquement sur la nature interne des objets, elle s’intéresse à la façon dont ces objets interagissent et peuvent être reliés dans un système cohérent.

Cette approche peut sembler très théorique, mais elle correspond à une difficulté concrète de la recherche scientifique. Les matériaux biologiques, par exemple, ne se comprennent pas seulement par la somme de leurs composants. Leurs propriétés dépendent aussi de l’organisation de ces composants, des interactions qui se produisent entre eux et des fonctions qu’ils remplissent ensemble.

Appliquée aux graphes, cette inspiration mathématique fournit un cadre pour raisonner de manière plus systématique sur des concepts complexes. Le modèle ne cherche donc pas seulement des mots qui se ressemblent dans des articles différents. Il tente de saisir des relations de structure, autrement dit la manière dont un ensemble d’éléments fonctionne comme un tout.

C’est une différence importante lorsqu’il s’agit de produire des pistes scientifiques. Une analogie peut être suggestive, mais elle ne suffit pas à établir qu’un mécanisme ou un design est pertinent. L’ambition de cette méthode est de faire apparaître des relations plus profondes, en reliant les fonctions, les interactions et les organisations décrites dans le corpus.

Ce qu’une IA fondée sur des graphes change dans l’exploration scientifique

Pour un scientifique, parcourir plusieurs centaines ou milliers d’articles demande du temps et suppose de connaître les bons termes de recherche dès le départ. Or, les découvertes naissent parfois de liens qui n’étaient pas recherchés explicitement. Une cartographie relationnelle peut aider à sortir de ce cadre en révélant des connexions éloignées dans la littérature.

Le modèle présenté par le MIT est conçu pour répondre à des questions complexes, identifier des lacunes dans les connaissances actuelles et suggérer de nouveaux designs de matériaux. Il peut également prédire le comportement de matériaux, tout en établissant des relations entre des concepts généralement considérés comme distincts.

Cette approche ne remplace pas le travail expérimental ni l’expertise des chercheurs. Elle sert plutôt d’outil d’exploration : elle organise ce qui est connu, signale des passerelles possibles et aide à générer des hypothèses. La validation reste ensuite une étape indispensable, avec des mesures, des essais et une interprétation scientifique rigoureuse.

De la biologie à Beethoven, des rapprochements à examiner

L’un des résultats les plus frappants de cette recherche concerne un rapprochement entre les matériaux biologiques et la Symphonie no 9 de Beethoven. Le modèle a mis en évidence des similarités dans l’organisation : de la même manière que des cellules interagissent selon une structure ordonnée pour remplir une fonction, les notes et les thèmes sont agencés dans une œuvre musicale cohérente.

Le parallèle ne signifie évidemment pas qu’un matériau biologique et une symphonie obéissent aux mêmes lois physiques. Il souligne plutôt que des systèmes très différents peuvent partager certains principes d’organisation. Dans les deux cas, l’effet global ne dépend pas seulement des éléments individuels, mais également de leur arrangement et de leurs interactions.

C’est là que l’outil prend une dimension interdisciplinaire. La science des matériaux s’inspire déjà du vivant pour concevoir des structures performantes. La cartographie par graphes cherche à élargir le champ des inspirations en repérant des motifs organisationnels que les frontières habituelles entre disciplines rendent moins visibles.

Ce type de connexion doit être interprété avec prudence. La musique et la biologie n’emploient ni les mêmes concepts ni les mêmes méthodes de validation. Mais pour la phase créative d’une recherche, un rapprochement inattendu peut aider à poser une question nouvelle : une organisation observée dans un domaine pourrait-elle inspirer un autre mode d’assemblage, une autre distribution des éléments ou une autre propriété fonctionnelle ?

Un composite à base de mycélium inspiré par Kandinsky

Dans une autre expérience, le modèle a proposé un matériau biologique inspiré des motifs abstraits de Composition VII, tableau de Wassily Kandinsky. 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 la recherche sur les matériaux car il peut former des réseaux structurés. Dans la proposition issue du modèle, l’inspiration tirée de l’œuvre de Kandinsky vise un équilibre entre chaos et ordre, avec différentes propriétés fonctionnelles. L’intérêt de cet exemple n’est pas de prétendre qu’une peinture fournit à elle seule la recette d’un matériau, mais de montrer comment une IA peut convertir une organisation visuelle en piste de conception.

Les applications envisagées concernent notamment des matériaux de construction durables et des dispositifs biomédicaux. Ces débouchés restent à considérer comme des perspectives : entre une suggestion computationnelle et un produit utilisable, il faut démontrer les propriétés du matériau, sa reproductibilité, sa résistance, sa sécurité et son adéquation avec l’usage visé.

L’exemple illustre néanmoins l’intérêt de faire dialoguer des sources de connaissances très différentes. L’art peut offrir des structures, des motifs et des manières de penser la composition. La biologie apporte des mécanismes et des architectures naturelles. L’IA fondée sur des graphes sert ici d’interface pour explorer les relations possibles entre ces univers.

Les limites à ne pas oublier

La qualité du résultat dépend d’abord de la qualité du corpus analysé. Si les publications disponibles sont incomplètes, biaisées ou emploient des définitions contradictoires, la carte de connaissances peut reproduire ces limites. Un modèle peut rendre une relation très visible sans que celle-ci soit scientifiquement causale ou utile pour une application donnée.

La complexité constitue un second défi. Un graphe très connecté peut être riche, mais aussi difficile à interpréter. Il faut donc des outils et des compétences pour comprendre pourquoi le système propose une relation et pour distinguer une hypothèse féconde d’une association trompeuse.

Enfin, une approche générative peut proposer des idées qui paraissent plausibles sur le papier, sans être réalisables en laboratoire. Les contraintes de fabrication, de coût, de durabilité ou de compatibilité biologique ne disparaissent pas parce qu’un modèle a identifié une connexion séduisante. L’IA doit être intégrée à une démarche scientifique, non utilisée comme un arbitre autonome.

Ce qu’il faut surveiller

La recherche de Markus J. Buehler met en lumière une évolution plus large : l’IA pourrait devenir un outil de navigation dans la connaissance scientifique, au-delà de la génération de texte ou d’images. En cartographiant les relations entre travaux, concepts et disciplines, elle peut aider les équipes de recherche à explorer des espaces d’innovation difficiles à parcourir manuellement.

Pour que cette promesse se concrétise, plusieurs points seront déterminants : la transparence sur les données utilisées, la capacité à expliquer les relations proposées, la validation expérimentale des prédictions et l’accessibilité des outils aux chercheurs qui ne sont pas spécialistes de l’IA.

Le potentiel dépasse les matériaux biologiques. Des domaines comme la biotechnologie, la musicologie ou l’analyse artistique pourraient bénéficier de cartes de connaissances capables de relier textes, résultats scientifiques et représentations visuelles. La valeur de ces systèmes dépendra toutefois moins de leur capacité à produire des rapprochements surprenants que de leur aptitude à conduire à des hypothèses solides, testables et réellement utiles.