IA en chimie : optimiser la recherche L’IA optimise la recherche en chimie, selon un chercheur CNRS, en accélérant les calculs et l’analyse des données.
L’IA en chimie est désormais présente dans les laboratoires et son objectif est clair : optimiser la recherche en s’appuyant sur les données expérimentales et les résultats obtenus. Dans cet échange, François-Xavier Coudert, chimiste théorique au CNRS, explique les usages concrets de ces techniques et leurs limites au quotidien en laboratoire.
But et intérêt de l’IA en chimie
Une des ambitions centrales est d’identifier, plus rapidement et plus efficacement, de meilleures molécules ou matériaux pour des applications ciblées. Par exemple, le travail peut viser à séparer le CO₂ des autres gaz issus des cheminées industrielles. L’idée est d’explorer des matériaux connus qui n’ont jamais été testés pour cette fonction, plutôt que de repartir de zéro.
Autrement dit, l’IA aide à repenser les choix expérimentaux : plutôt que de se limiter à des matériaux déjà associés à une propriété donnée, on cherche ceux qui pourraient révéler une utilité inattendue. Cette approche rappelle le principe du « repurposing » des médicaments : une molécule déjà connue peut trouver une nouvelle application, ce qui facilite son déploiement par rapport à une découverte entièrement nouvelle.
« L’idée, c’est que, dans les matériaux qui ont telle propriété pour laquelle ils sont connus, il y en a peut-être qui pourraient être très bien pour d’autres applications. »
Comment l’IA transforme les pratiques en laboratoire
Beaucoup de domaines scientifiques utilisent l’IA lorsqu’ils disposent de gros ensembles de données inexploités — c’est le paradigme du big data. En chimie, la motivation est similaire, mais les données coûtent cher à produire et le nombre d’expériences réelles reste limité : typiquement quelques centaines de manipulations par matériau. L’objectif est d’optimiser les protocoles expérimentaux et d’aller au-delà de l’intuition humaine, en cherchant des tendances non visibles à l’œil nu.
Des domaines comme la biochimie et les cristaux bénéficient déjà d’organisations de données qui facilitent l’application de l’IA, mais ces jeux de données restent spécifiques et bien dégagés. Dans les autres cas, on observe une montée en puissance des analyses statistiques simples qui sont présentées comme de la data science ou de l’IA. Par ailleurs, la synthèse robotisée permet d’obtenir davantage de données en parallèle, et de stocker les résultats bruts au cours de la synthèse plutôt que de se limiter aux données publiées publiquement, incomplètes par nature.
Sur le plan pratique, l’IA n’est pas une révolution magique. Elle accélère certaines tâches et offre des outils plus efficaces pour la chimie théorique, notamment en calculs et en prédiction, mais elle ne remplace pas l’expérimentation ni l’expertise humaine. « Un outil de plus dans la boîte à outils du chimiste », résume Coudert, tout en soulignant que les étudiants doivent apprendre à lire ces travaux avec esprit critique.
Contexte, limites et ce qu’on ne sait pas encore
Un point critique concerne le biais des données : la littérature privilégie rarement les résultats négatifs, ce qui restreint l’apport des IA dans certains contextes. La synthèse robotisée peut aider à générer davantage de données et à documenter ce qui ne fonctionne pas, un élément essentiel pour des modèles plus robustes.
Autre enjeu, l’IA générative n’est pas aujourd’hui la direction principale en chimie et sciences des matériaux. L’objectif n’est pas de créer directement de nouvelles molécules ou matériaux, mais d’améliorer les outils et les méthodes qui permettent de prédire comportement et propriétés. Pour certains systèmes, après avoir résolu l’équation de Schrödinger des centaines de fois, on peut former une IA qui prédit des résultats, réduisant le coût et la durée des calculs. Mais cela ne dispense pas de l’expertise et des validations expérimentales.
La faisabilité expérimentale demeure aussi une question ouverte : comment sélectionner parmi des centaines, voire des milliers, de candidates celles qui seront réellement synthétisables et utiles en pratique ? L’IA peut proposer des pistes, mais elle ne remplace pas l’intuition et le savoir-faire des chimistes expérimentateurs.
Pour terminer
En résumé, l’IA est une étape dans la longue chaîne de l’innovation chimique. Elle peut accélérer certaines pratiques et enrichir les outils disponibles, sans pour autant changer fondamentalement la chimie elle-même. Former les étudiants à comprendre les données, les modèles et leurs limites reste indispensable pour en tirer le meilleur et éviter les pièges d’un usage trop mécanique.
