CRESt, l’IA du MIT qui planifie des expériences pour découvrir des matériaux

Découvrir un matériau ne consiste pas simplement à trouver une bonne formule chimique. Il faut aussi préparer les échantillons, les tester, examiner leur structure, comprendre les résultats et recommencer, parfois des centaines de fois. C’est dans cette succession d’essais que CRESt, un système conçu par des chercheurs du MIT, entend faire gagner du temps aux laboratoires. Son principe : réunir des informations habituellement dispersées, imaginer des expériences utiles et s’appuyer sur des instruments automatisés pour les réaliser.

Baptisé Copilot for Real-world Experimental Scientists, CRESt ne se présente pas comme un scientifique autonome capable de remplacer les chercheurs. Il s’agit d’un assistant d’intelligence artificielle pensé pour travailler dans le monde concret du laboratoire, avec ses données imparfaites, ses instruments, ses échantillons et ses aléas de manipulation. Dans les travaux présentés, il a notamment permis d’explorer plus de 900 chimies et de mettre au point un matériau catalytique prometteur pour une cellule à hydrogène fonctionnant avec un sel de formate.

CRESt, un copilote pour les scientifiques expérimentateurs

La science des matériaux cherche à relier la composition d’une substance à ses propriétés : conductivité, résistance, comportement électrochimique ou capacité à accélérer une réaction. Or, le nombre de combinaisons possibles entre les éléments chimiques, les proportions employées et les conditions de fabrication est immense. Tester chaque possibilité une par une serait irréaliste.

Les outils de machine-learning employés dans ce domaine sont souvent entraînés sur un type de données bien délimité. Certains analysent des bases de mesures, d’autres des structures cristallines ou des images. CRESt adopte une approche plus large. Le système rassemble notamment :

• des informations issues de la littérature scientifique ;
• des compositions chimiques et des recettes de matériaux ;
• des résultats d’expériences antérieures ;
• des images montrant la microstructure des échantillons.

Cette combinaison est importante, car deux matériaux dont les ingrédients paraissent proches peuvent se comporter très différemment selon leur fabrication et leur structure interne. Une formule chimique ne résume donc pas, à elle seule, l’histoire complète d’un matériau.

À partir de cet ensemble, CRESt peut formuler des observations, proposer des hypothèses et aider à choisir les expériences suivantes. Les chercheurs peuvent échanger avec lui en langage naturel, sans devoir écrire du code pour chaque demande. L’objectif est de rendre l’outil utilisable par des expérimentateurs, et non uniquement par des spécialistes de l’informatique ou de l’IA.

Pourquoi réunir textes, mesures et images change la recherche

La force annoncée de CRESt tient à son caractère multimodal, c’est-à-dire sa capacité à traiter plusieurs formes d’information au sein d’un même processus. Une publication peut expliquer pourquoi une composition a été testée. Une mesure électrochimique peut indiquer si elle fonctionne. Une image microstructurale peut, elle, révéler un défaut ou une organisation interne qui aide à comprendre ce résultat.

Dans une démarche classique, ces éléments peuvent être examinés séparément, par différentes personnes ou dans différents logiciels. Cela ne signifie pas que les méthodes traditionnelles sont inefficaces. Elles ont produit l’essentiel des connaissances disponibles. Mais leur articulation demande du temps, en particulier lorsque les expériences se multiplient et que les données deviennent difficiles à comparer.

CRESt cherche précisément à créer un fil continu entre les informations déjà connues, les hypothèses à vérifier et les essais effectués. Le système ne se contente donc pas de rechercher une corrélation statistique dans un jeu de données isolé. Il est conçu pour intégrer le raisonnement expérimental dans une boucle de travail plus complète.

Une boucle expérimentale accélérée par la robotique

Une hypothèse ne devient pas une découverte parce qu’elle paraît plausible à un modèle informatique. Elle doit être confrontée à des mesures. CRESt est relié à des équipements robotiques qui peuvent préparer et évaluer des matériaux à haut débit. Cette automatisation permet d’augmenter le nombre d’essais réalisables, tout en ramenant leurs résultats dans le processus de décision.

Les équipements mentionnés dans les travaux comprennent un robot de manipulation de liquides, un système de choc carbothermique destiné à synthétiser rapidement des matériaux, ainsi qu’une station de travail électrochimique automatisée. Ensemble, ils permettent d’enchaîner une partie des opérations qui, autrement, exigeraient de nombreuses interventions manuelles.

La plateforme peut effectuer jusqu’à 3 500 tests électrochimiques. Ce chiffre illustre le changement d’échelle recherché : au lieu de suivre une longue série d’essais indépendants, le laboratoire peut mettre en place une boucle dans laquelle chaque résultat aide à sélectionner les expériences suivantes.

Cette logique est proche de l’apprentissage actif. Plutôt que de demander au système d’explorer aveuglément toutes les possibilités, on l’oriente vers les tests susceptibles d’apporter le plus d’informations ou d’améliorer le plus efficacement une recette. Le gain attendu ne tient donc pas seulement à la vitesse des robots, mais aussi à la sélection des essais jugés les plus utiles.

La vision par ordinateur au service de la reproductibilité

Une expérience réussie une fois n’est pas nécessairement une expérience fiable. En laboratoire, des variations dans les échantillons, la préparation ou le déroulement d’un protocole peuvent produire des résultats difficiles à reproduire. Or la reproductibilité est essentielle : un matériau ne peut devenir réellement intéressant que si ses performances peuvent être retrouvées de manière cohérente.

CRESt surveille les expériences au moyen de caméras et de modèles de langage visuel. Ces modèles associent l’analyse d’images à la capacité de traiter des consignes ou des descriptions en langage naturel. Dans ce contexte, ils servent à identifier d’éventuelles anomalies affectant les échantillons ou les opérations réalisées.

Le système peut alors signaler un problème potentiel et proposer des corrections en temps réel. Les chercheurs indiquent avoir observé une amélioration continue de la cohérence des résultats. Cette fonction de contrôle ne remplace pas les vérifications scientifiques, mais elle ajoute une couche de vigilance dans un processus où une anomalie matérielle peut fausser toute une série de mesures.

Plus de 900 chimies explorées et un nouveau catalyseur

La démonstration la plus concrète de CRESt concerne la recherche d’un matériau catalytique. Un catalyseur est une substance qui accélère une réaction chimique sans être consommée comme un réactif ordinaire. Ils sont au cœur de nombreux procédés industriels et énergétiques, notamment lorsqu’il s’agit de convertir ou de stocker de l’énergie.

Après avoir analysé plus de 900 chimies, CRESt a contribué à la création d’un matériau catalytique reposant sur une combinaison de huit éléments. D’après les résultats présentés, ce matériau a atteint une densité de puissance record dans une cellule à hydrogène fonctionnant avec un sel de formate. Il a également affiché une augmentation significative de densité énergétique par rapport au palladium pur, avec la perspective d’abaisser les coûts.

Ces résultats doivent être lus à la bonne échelle. Ils montrent qu’un système combinant IA, robotique et expertise expérimentale peut aboutir à une proposition matériellement testée, et pas seulement à une prédiction sur ordinateur. Ils ne signifient pas que toutes les difficultés liées aux piles à combustible ou aux catalyseurs sont résolues. La durabilité, la reproductibilité et l’intégration dans des usages industriels restent des questions distinctes, à évaluer pour chaque matériau.

L’humain reste au centre du laboratoire

L’expression « laboratoire autonome » peut laisser imaginer une recherche sans scientifiques. Ce n’est pas le fonctionnement décrit pour CRESt. Les chercheurs conservent un rôle décisif à toutes les étapes : ils choisissent les problèmes à traiter, évaluent les hypothèses formulées, s’assurent de la qualité des protocoles, déboguent les instruments et interprètent le sens scientifique des résultats.

Cette présence humaine est indispensable, car une IA peut aider à naviguer dans un espace de possibilités très vaste sans savoir, par elle-même, quelle question mérite d’être posée ni quel compromis est acceptable. Un laboratoire peut chercher un matériau très performant, peu coûteux, simple à fabriquer ou moins dépendant de certains éléments. Ces priorités relèvent d’objectifs scientifiques, techniques et parfois économiques que les chercheurs doivent expliciter.

CRESt est donc plus justement décrit comme un copilote. Il automatise certaines opérations répétitives et met en relation des données hétérogènes, tandis que l’expertise humaine apporte le recul nécessaire face aux résultats. Cette complémentarité est au cœur du projet : l’IA élargit la capacité d’exploration, elle ne dispense pas de la méthode scientifique.

Ce qu’il faut surveiller dans les laboratoires assistés par l’IA

Le projet ouvre des perspectives pour des domaines où les essais sont longs et coûteux : catalyse, stockage de l’énergie, matériaux électroniques ou nouvelles méthodes de synthèse. En explorant davantage de compositions chimiques, CRESt pourrait aider les équipes de recherche à identifier plus vite des pistes qui auraient été difficiles à tester manuellement.

Plusieurs points seront toutefois déterminants. Il faudra vérifier si les résultats obtenus par une telle plateforme se reproduisent dans d’autres laboratoires, avec d’autres instruments et d’autres jeux de données. Il faudra également mesurer dans quels cas la sélection proposée par l’IA apporte un gain réel face aux méthodes expérimentales classiques, et dans quels cas l’intuition des scientifiques reste plus efficace.

La promesse la plus solide n’est pas celle d’une machine qui inventerait seule les matériaux de demain. Elle réside dans une recherche mieux outillée : des données reliées entre elles, des expériences plus rapidement exécutées, des anomalies mieux détectées et des chercheurs qui peuvent consacrer davantage d’attention aux décisions à forte valeur scientifique. Pour les enjeux énergétiques et industriels, cette accélération méthodique pourrait compter autant que la découverte elle-même.