Au cœur des laboratoires alimentés par l'IA : une nouvelle ère de découverte de matériaux

Tout comme un nombre croissant d’industries, la science des matériaux est également être aidé par l'intelligence artificielle (IA).

Ici, les algorithmes d'apprentissage automatique (ML) analysent de vastes ensembles de données et identifient des modèles pour suggérer des candidats matériaux prometteurs en un minimum de temps, tout en consommant beaucoup moins de ressources que les méthodes d’essais et d’erreurs.

Le travail manuel traditionnel, à forte intensité humaine, qui a été augmenté avec l'avènement des systèmes informatiques, qui permettent des calculs complexes, le monde est désormais complètement révolutionné par des processus automatisés, parallèles et itératifs pilotés par l'IA, la simulation et l'automatisation expérimentale. 

La maturation de la technologie de l’IA, combinée au calcul haute performance et aux technologies de cloud hybride, est aider la science des matériaux à entrer dans un nouveau paradigme marqué par le découverte accélérée de nouveaux matériaux, modélisation prédictive des propriétés des matériaux et expérimentation autonome. 

Ce changement de paradigme permet aux chercheurs de passer d'approches par essais et erreurs à une conception basée sur les données, réduisant considérablement les cycles de développement et ouvrant la voie à des matériaux avancés dans applications dans les domaines de l’énergie, de l’électronique, de la santé et du développement durable.

Récemment, des chercheurs de l'Université d'État de Caroline du Nord ont franchi une étape importante en créant un laboratoire autonome pour réaliser un nouveau bond en avant dans l'automatisation des laboratoires et accélérer davantage la découverte de matériaux par les scientifiques..

Le laboratoire automatisé collecte dix fois plus de données que le laboratoire manuel traditionnel. méthodes. Grâce à cette initiative, les chercheurs peuvent mener des expériences chimiques dynamiques en temps réel, économisant ainsi du temps et des ressources. permettant des percées plus rapides.

Les nouvelles découvertes en laboratoire ne prendront plus des années ; nous nous dirigeons plutôt vers un avenir où les inventions se produiront en quelques jours.

Un laboratoire alimenté par l'IA : apprentissage en temps réel pour une découverte en temps réel

Afin de surmonter les défis mondiaux en matière d'énergie propre, de bien-être humain et de durabilité, il est critique pour faire des découvertes rapides de matériaux fonctionnels avancés. Découverte et la synthèse de nouveaux matériaux sont également essentielles aux technologies innovantes comme batteries, puces informatiques, panneaux solaires et beaucoup plus.

En conséquence, beaucoup de le progrès a a été fait dans les plateformes d'accélération des matériaux et les laboratoires autonomes.

Malgré les progrès, la capacité de ces plateformes et laboratoires à explorer des espaces de paramètres complexes est entravé par un faible débit de données. Ralentir les transferts et le traitement des données entraînent une baisse de la productivité.

Ainsi, les chercheurs de l'Université d'État de Caroline du Nord ont « introduit des expériences d'écoulement dynamique comme stratégie d'intensification des données pour les synthèses de matériaux inorganiques dans des laboratoires fluidiques autonomes par la cartographie continue des conditions de réaction transitoires en équivalents à l'état stationnaire. »

Publié dans Nature Chimique Ingenierie¹, l'étude détaille un laboratoire de conduite autonome de pointe qui utilise des expériences en temps réel pour collecter en permanence des données, Rendre le découverte de matériaux plus rapide et plus efficace tout en réduisant les coûts et l’impact environnemental.

Pour leur travail, l’étude a reçu le soutien de la National Science Foundation et du programme Research Opportunities Initiative de l’Université de Caroline du Nord.

Mais que signifient réellement les laboratoires autonomes (SDL) ? Il s'agit de plateformes robotisées qui combinent l'apprentissage automatique et l'automatisation avec les sciences chimiques et des matériaux pour trouver des matériaux plus rapidement. Ces plateformes expérimentales modulaires assistées par apprentissage automatique permettent de réaliser une série d'expériences. sont choisis par l'algorithme ML, sont menées de manière itérative pour atteindre l'objectif programmé.

« Imaginez si les scientifiques pouvaient découvrir des matériaux révolutionnaires pour l’énergie propre, de nouveaux produits électroniques ou des produits chimiques durables en quelques jours au lieu de plusieurs années, en utilisant seulement une fraction des matériaux et en générant beaucoup moins de déchets que le statu quo. »

– Co-auteur de l'article, Milad Abolhasani, professeur ALCOA de génie chimique et biomoléculaire à l'Université d'État de Caroline du Nord

Il a ajouté:

"« Ce travail nous rapproche encore plus de cet avenir. » 

Représentant une approche transformatrice pour accélérer la découverte scientifique, les laboratoires autonomes gagnent en popularité dans les domaines de la chimie et des sciences des matériaux.. 

Les laboratoires autonomes qui utilisent des réacteurs à flux continu s'appuient souvent sur des expériences de flux à l'état stationnaire, où différents précurseurs sont combinés avant que les réactions chimiques ne se produisent, et le mélange s'écoule en continu à travers un microcanal. 

Le produit qui en sort est ensuite caractérisée par une série de capteurs une fois la réaction terminée.

« Cette approche établie des laboratoires autonomes a eu un impact considérable sur la découverte de matériaux », a noté Abolhasani, en expliquant que cela a permis aux scientifiques « d'identifier des candidats matériaux prometteurs pour des applications spécifiques en quelques mois ou semaines, plutôt qu'en années, tout en réduisant à la fois les coûts et l'impact environnemental du travail. » Mais ce n’était pas parfait du tout, il y avait encore des domaines à améliorer.

En particulier, la mise au ralenti du système lorsque la réaction chimique se déroule avant que le matériau résultant puisse be est caractérisé. Le temps d’attente pour les laboratoires autonomes peut atteindre une heure pour chaque expérience de flux à l’état stationnaire.

« Nous avons maintenant créé un laboratoire autonome qui utilise des expériences de flux dynamique, où les mélanges chimiques varient en permanence dans le système et sont surveillés en temps réel."

– Abolhasani 

Que ce veux dire que ils éliminent le processus d'exécution d'échantillons séparés dans le système et de test de chaque échantillon d'entre eux UN à la fois après avoir atteint un état. 

Au lieu de cela, ils ont construit un système qui simplement ne s'arrête pas de courir. Les échantillons se déplacent en continu dans le système. Ce c'est parce que « le système ne cesse jamais de caractériser l'échantillon » et le chercheur peut « capturer des données sur ce qui se passe dans l'échantillon toutes les demi-secondes ».

L’intégration d’expériences d’écoulement dynamique au sein de laboratoires fluidiques autonomes marque une rupture avec les expériences traditionnelles par lots. 

Contrairement aux approches conventionnelles, où des points de données isolés sont rassemblés dans des conditions d'état stationnaire, in expériences d'écoulement dynamique, principes microfluidiques sont utilisés pour rapide cartographie des conditions de réaction.

En créant un flux constant de données, cela élargit considérablement les données expérimentales accessibles.

Abolhasani a montré que l'équipe a maintenant obtient 20 points de données sur ce que produit l'expérience, en commençant par un après 0.5 seconde de temps de réaction, puis un après 1 seconde de temps de réaction, et ainsi de suite, contrairement à UN point de données qu'ils feraient obtenez Après 10 secondes de réaction, il ajouta :

« C'est comme passer d'un simple instantané à un film complet de la réaction en temps réel. Au lieu d'attendre la fin de chaque expérience, notre système fonctionne en permanence et apprend en permanence. » 

Disposer d'autant plus de données peut avoir un impact considérable sur la performance d'un laboratoire utilisant l'IA. Après tout, les données sont essentielles à un algorithme. L'IA est gourmande en données, et c'est sur ces données qu'elle peut s'appuyer. est nourri, l'algorithme fait des prédictions.

Selon Abolhasani :

« L’élément le plus important de tout laboratoire autonome est l’algorithme d’apprentissage automatique que le système utilise pour prédire quelle expérience il doit mener ensuite. » 

Ainsi, l’approche de données en continu permet au cerveau ML du laboratoire autonome de prendre des décisions non seulement plus rapides mais aussi plus intelligentes, « en se concentrant sur les matériaux et les processus optimaux en une fraction du temps ».

La qualité des données détermine également la précision des prévisions. Alors, par en disposant de données expérimentales de meilleure qualité, l'algorithme peut faire des prédictions plus précises, et alors it Vous pouvez résoudre un problème plus rapide. 

« Cela présente l’avantage supplémentaire de réduire la quantité de produits chimiques nécessaires pour parvenir à une solution. » 

– Abolhasani

Pour démontrer les capacités de leur système, l'équipe a appliqué des expériences d'écoulement dynamique à des points quantiques colloïdaux de CdSe. Ce système a servi de banc d'essai en raison de son statut de système inorganique bien établi, présentant non seulement de riches dépendances paramétriques, mais aussi un potentiel technologique considérable.

Dans ce cas, l’équipe a constaté que son laboratoire, qui intégrait un système de flux dynamique, a obtenu « une amélioration d’un ordre de grandeur dans l’efficacité de l’acquisition de données ».

Il a produit au moins 10 fois plus de données que d’autres laboratoires autonomes qui utilisaient des expériences de flux à l’état stationnaire. De plus, une fois formé, le laboratoire autonome a pu découvrir les meilleurs candidats dès son premier essai.

Cette avancée, comme l'a déclaré Abolhasani, « n'est pas seulement une question de rapidité », mais aussi de durabilité. En réduisant le nombre d'expériences requises, le système réduit considérablement la consommation de produits chimiques et déchets, favorisant des pratiques de recherche plus durables. Abolhasani a déclaré :

L'avenir de la découverte de matériaux ne dépend pas seulement de la rapidité avec laquelle nous progressons, mais aussi de la manière dont nous y parviendrons de manière responsable. Notre approche se traduit par moins de produits chimiques, moins de déchets et des solutions plus rapides aux défis les plus complexes de la société.

Le rôle croissant de l'IA dans la science des matériaux : découvertes récentes passionnantes

L'IA transforme les industries du monde entier, et cela inclut la science des matériaux, fondamentale pour de nombreuses innovations technologiques et défis sociétaux. 

En conséquence, le usage de l'IA dans la découverte et le développement de nouveaux matériaux a été passe pendant de nombreuses années maintenant, mais il a Assurément a gagné du terrain ces dernières années grâce à la technologie devient plus avancé et plus performant. 

« Avec un développement continu, nous espérons que la robotique et l'automatisation amélioreront la vitesse, la précision et la reproductibilité des expériences à travers divers instruments et disciplines, générant les données que les systèmes d'intelligence artificielle peuvent analyser pour guider de nouvelles expérimentations."

– Dr James Cahoon, co-auteur de l'article «Transformer les laboratoires scientifiques en usines de découverte automatisées.^{2 pi}

Ceci étant dit, examinons quelques progrès clés réalisés cette année dans le domaine de la science des matériaux dans différentes applications.

Pour commencer, comme nous l’avons récemment partagé, avec l’aide de l’IA, les scientifiques ont pu concevoir des méta-émetteurs thermiques 3D complexes qui peuvent faire tomber températures intérieures et aide enregistrer coûts énergétiques. Le matériau créé à l’aide d’une technique ML nouvellement conçue peut trouver des applications dans les bâtiments résidentiels et commerciaux, les engins spatiaux, les tissus et textiles, les automobiles, et bien plus encore.

« En automatisant le processus et en élargissant l’espace de conception, nous pouvons créer des matériaux aux performances supérieures qui étaient auparavant inimaginables."

– Co-responsable de l'étude, Yuebing Zheng

Développement de nouveaux matériaux métalliques avec une résistance supérieure

Il y a quelques mois, des scientifiques rapporté utiliser l'IA pour concevoir un nouveau MPEA ou un élément principal multiple alliages, Qui Ces trouvé dans les composants d’aéronefs, les convertisseurs catalytiques et les prothèses de genou.

Le MPEA nouvellement conçu est doté de propriétés mécaniques supérieures, qui, selon Sanket Deshmukh, professeur associé en génie chimique à Virginia Tech, « démontrent comment les cadres basés sur les données et l'IA explicable peuvent ouvrir de nouvelles possibilités dans la conception des matériaux."

Pour interpréter l'analyse LES PLANTES par le modèle d'IA, Deshmukh et son équipe d'utiliser Analyse SHAP (SHapley Additive ExPlanations), qui permis leur permettre de comprendre comment différents éléments et leurs environnements locaux affecter Propriétés des MPEA, à son tour, offrant plus d’informations et des prévisions plus précises.

En plus d’accélérer la découverte d'alliages métalliques avancésDeshmukh estime que l’intégration du ML avec des algorithmes évolutionnaires et une validation expérimentale peut également nous aider à créer des outils qui « peuvent être étendus à des systèmes de matériaux complexes tels que les glycomatériaux – des matériaux polymères contenant des glucides ».

Dévoiler les secrets de la croissance dendritique dans les films minces

Le Une étude³ de l'Université des sciences de Tokyo (TUS) a développé un modèle d'IA explicable qui prédit la croissance des dendrites (motif de ramification en forme d'arbre) dans les films minces, ce qui constitue un obstacle majeur à leur fabrication sur de grandes surfaces et restreint leur commercialisation.

En révélant les conditions et mécanismes spécifiques à l’origine de la ramification des dendrites, le modèle d’IA contribue à améliorer le processus de croissance des films minces. Les dispositifs à couches minces sont critique in technologie comme semi-conducteurs.

Le nouveau modèle d’IA a intégré la méthode d’apprentissage automatique appelée analyse en composantes principales (ACP) et la technique de topologie appelée homologie persistante avec analyse d’énergie libre. 

En intégrant la topologie et l'énergie libre, notre méthode offre une approche polyvalente de l'analyse des matériaux. Grâce à cette intégration, nous pouvons établir un lien hiérarchique entre les microstructures à l'échelle atomique et les fonctionnalités macroscopiques d'une large gamme de matériaux, ouvrant ainsi la voie à de futures avancées en science des matériaux."

– Professeur Masato Kotsugi du Département des sciences et technologies des matériaux de la TUS

Mieux comprendre les nanoparticules

Une équipe de scientifiques de plusieurs universités sont venus ensemble à développer une méthode⁴ à mieux comprendre le comportement dynamique des nanoparticules, qui sont les éléments constitutifs de l’électronique, des produits pharmaceutiques et des matériaux industriels.

Il a combiné la microscopie électronique avec l’IA pour visualiser les structures et les mouvements des molécules à une résolution temporelle sans précédent.

Comme l’explique Peter A. Crozier, professeur de science et d’ingénierie des matériaux à l’Université d’État de l’Arizona :

« La microscopie électronique peut capturer des images à haute résolution spatiale, mais en raison de la vitesse à laquelle la structure atomique des nanoparticules change au cours des réactions chimiques, nous devons collecter des données à très grande vitesse pour comprendre leur fonctionnalité. »

Pour atténuer ce bruit, ils ont développé une méthode d’IA qui le supprime automatiquement, « permettant la visualisation de la dynamique clé au niveau atomique ».

Pendant ce temps, un groupe de recherche de l'Université de technologie de Graz porte la construction de nanostructures à un nouveau niveau en utilisant l'IA.

Pour cela, ils sont développement un système d'IA auto-apprenant qui positionne de manière autonome des molécules individuelles rapidement et dans le bien orientation à l'aide de microscopes à effet tunnel, autrement un processus difficile et long, pour permettre le bâtiment de « structures moléculaires hautement complexes, y compris des circuits logiques de l’ordre du nanomètre »."

L’objectif est de construire à terme des corrals quantiques, qui sont des nanostructures en forme de porte capables de piéger des électrons, et de les utiliser pour construire des circuits logiques afin d’étudier leur fonctionnement au niveau moléculaire. 

Découvrir de meilleurs matériaux photovoltaïques

Une alternative durable aux cellules solaires conventionnelles à base de silicium, les cellules solaires à pérovskite montrer une technologie photovoltaïque de nouvelle génération très prometteuse convertir la lumière du soleil en électricité. 

Leur efficacité peut être encore augmentée grâce à des molécules conductrices de charges positives, mais il existe des millions de molécules différentes, ce qui implique de synthétiser et les tester tous. Cependant, en utilisant l'IA avec une synthèse automatisée à haut débit, une équipe de chercheurs de l'Institut de technologie de Karlsruhe (KIT) a pu découvrir de nouvelles molécules organiques⁵ dans quelques semaines seulement, avec seulement 150 expériences ciblées.

Les matériaux nouvellement découverts ont également augmenté l’efficacité d’une cellule solaire de référence d’environ deux points de pourcentage.

Pour cela, les scientifiques se sont tournés vers une base de données contenant un million de molécules virtuelles et en ont sélectionné 13,000 101 au hasard avant d'en choisir XNUMX. Les selectionnés ait eu les plus grandes différences dans leurs propriétés, et ils ont été synthétisés au systèmes robotiques avant les utiliser pour produire des cellules solaires.

Poser les bases de la découverte de matériaux pilotée par l'IA

Bien que toutes ces découvertes soient etre fait, pour que l'IA puisse réellement y parvenir, il a besoin de données. Ce comprend des données sur les matériaux ainsi que des données provenant de simulations à grande échelle. 

Bien que de nombreuses bases de données de ce type soient disponibles, elles sont assez isolées et nécessitent donc une norme « afin que les utilisateurs puissent communiquer avec toutes ces bibliothèques de données et comprendre les informations qu'ils reçoivent," a noté Gian-Marco Rignanese, professeur à l'Institut de la matière condensée et des nanosciences de l'UCLouvain en Belgique.

Ainsi, l’été dernier, une collaboration internationale majeure libéré une version étendue de la norme OPTIMADE pour faciliter la découverte de matériaux pilotée par l'IA.

L'OPTIMADE (Ouvert intégration de bases de données pour conception de matériaux) la norme est soutenu par un vaste réseau international d’institutions et de bases de données de matériaux. Dans le but de donner aux utilisateurs un accès plus facile aux bases de données de matériaux de premier plan ainsi qu'aux bases de données moins connues, une nouvelle version de celle-ci a été présenté qui peut encore accélérer la découverte de matériaux en cours basée sur l'IA.

Investir dans l'IA pour la découverte de matériaux

Lorsque vous envisageant d'investir dans cet espace, Alphabet Inc. (GOOGL ) propriété de Google est celui qui a publié un outil d'IA appelé Gnome. Il a découverte rapportée 2.2 millions de nouveaux cristaux avec elle. Ensuite, il y a Microsoft (MSFT ), qui a introduit MatterGen et MatterSim pour créer de nouveaux matériaux candidats et les valider.

Mais il existe un autre géant de l’IA qui a lancé son propre modèle pour élever l’échelle et la précision de la recherche sur les matériaux.

NVIDIA Corporation (NVDA )

Il s'agit de Nvidia, chouchou de l'IA. Fin 2018, l'entreprise introduit NVIDIA ALCHEMI (Laboratoire d'IA pour l'innovation en chimie et matériaux).

La plateforme vise à accélérer la R&D en chimie et en science des matériaux grâce à la puissance de l'IA, et à y parvenir, il comprend des API et des microservices d'inférence accélérés. Ce permettra la création et le déploiement de genre Des modèles d'IA pour explorer le vaste univers des matériaux et suggérer de nouveaux candidats, et le développement et usage des modèles de substitution à atteindre un équilibre entre le sables moins coûteux de calcul et la précision. Il sera aussi autoriser pour outils informatiques accessibles et modèles de base pré-entraînés pour outils de dépistage et de simulation rapides entraîner et affiner Modèles AI pour nouveaux cas d'utilisation.

Grâce à ALCHEMI, NVIDIA vise à accélérer le flux de travail de découverte et à « inaugurer une nouvelle ère de découvertes révolutionnaires alimentant un avenir plus durable et plus sain ».

Nvidia est une société dont la capitalisation boursière est de 4.22 173.5 milliards de dollars, dont l'action s'échange autour de 28.8 dollars, en hausse de 3.10 % depuis le début de l'année. Son BPA (sur les trois derniers mois) est de 55.73, son PER (sur les trois derniers mois) de 0.02 et son rendement du dividende est de XNUMX %.

Actualités et développements récents concernant les actions de NVIDIA Corporation (NVDA)

Conclusion

Alors que l'IA, l'automatisation et le calcul haute performance venir ensembleLa science des matériaux entre dans son ère la plus transformatrice, marquant un changement indispensable par rapport à la recherche menée par l'homme. essai et erreur vers une découverte autonome et basée sur les données.

Dans ce contexte, les laboratoires alimentés par l'IA et les plateformes expérimentales autonomes révolutionnent la façon dont les scientifiques découvrent, testent et optimisent les matériaux. De plus, avec des initiatives comme ALCHEMI de NVIDIA, Gnome de Google et MatterGen de Microsoft, les géants de la tech misent eux aussi sur l'IA pour alimenter la prochaine vague d'innovation !

Cliquez ici pour tout savoir sur l’investissement dans l’intelligence artificielle.

Références:

1. Delgado‑Licona, F. ; Alsaiari, A. ; Dickerson, H. ; Klem, P. ; Ghorai, A. ; Canty, RB; Bennett, JA; Jha, P. ; Mukhin, N. ; Li, J. ; López‑Guajardo, EA; Sadeghi, S. ; Baténi, F. ; Abolhasani, M. Intensification des données pilotée par le flux pour accélérer la découverte autonome de matériaux inorganiques. Nature Chemical Engineering, publié en ligne le 14 juillet 2025. https://doi.org/10.1038/s44286-025-00249-z
2. Angelopoulos, A. ; Cahoon, J. F. ; Alterovitz, R. Transformer les laboratoires scientifiques en usines automatisées de découverte. Sci. Robot. 2024, 9(95), eadm6991. https://doi.org/10.1126/scirobotics.adm6991
3. Ton, M. ; Sato, S. ; Kunii, S. ; Obayashi, I. ; Hiraoka, Y. ; Ogawa, Y. ; Fukidome, H. ; Foggiatto, AL ; Mitsumata, C. ; Nagaoka, R. ; Varadwaj, A. ; Varadwaj, PR ; Matsuda, moi; Kotsugi, M. ; et coll. Relier la structure et le processus dans la croissance dendritique en utilisant une homologie persistante avec l'analyse énergétique. Sci. Technologie. Av. Maître. Méthodes 2025, 5 (1), article 2475735. https://doi.org/10.1080/27660400.2025.2475735
4. Crozier, PA ; Leibovitch, M. ; Haluai, P. ; Tan, M. ; Thomas, AM ; Vincent, J. ; Mohan, S. ; Morales, AM ; Kulkarni, SA ; Matteson, DS ; Wang, Y. ; Fernandez‑Granda, C. Visualisation de la dynamique et des instabilités de surface des nanoparticules rendues possibles par le débruitage profond. Science 2025 387 (6737), 949-954. https://doi.org/10.1126/science.ads2688
5. Wu, J. ; Torresi, L. ; Hum.; Reiser, P. ; Zhang, J. ; Rocha‑Ortiz, J. S. ; Wang, L. ; Xie, Z. ; Zhang, K. ; Park, B.‑W. ; Barabash, A. ; Zhao, Y. ; Luo, J. ; Wang, Y. ; Luer, L. ; Deng, L.‑L. ; Hauch, JA; Guldi, DM ; Pérez‑Ojeda, M. E. ; Seok, SI ; Friederich, P. ; Brabec, C. J. Inverse Design Workflow découvre des matériaux de transport de trous adaptés aux cellules solaires à pérovskite. Science 2024, 386(6727), 1256-1264. https://doi.org/10.1126/science.ads0901