Un système d’IA multimodale découvre un catalyseur révolutionnaire pour piles à combustible à formate en trois mois

Des chercheurs du MIT ont développé un système d’intelligence artificielle baptisé CRESt (Copilot for Real-world Experimental Scientists), conçu pour accélérer la découverte de nouveaux matériaux en intégrant des données multilinguistiques et multimodales. Contrairement aux modèles d’apprentissage automatique traditionnels, souvent limités à une seule source de données, CRESt combine des informations provenant de la littérature scientifique, de la composition chimique, d’images microstructurales, d’expériences passées, ainsi que des retours humains. Ce système fonctionne en synergie avec un laboratoire automatisé équipé de robots pour la préparation, la caractérisation et les tests électrochimiques, dont les résultats sont réutilisés pour affiner continuellement les prédictions. Les chercheurs interagissent avec CRESt via une interface conversationnelle en langage naturel, sans nécessiter de compétences en programmation. Le système peut ainsi formuler des hypothèses, proposer de nouvelles recettes matérielles, surveiller les expériences en temps réel grâce à des caméras et des modèles de vision par ordinateur, et détecter des anomalies — comme un écart de 1 mm dans la forme d’un échantillon ou une erreur de pipetage — en suggérant des corrections par texte ou voix. Cette capacité à s’auto-surveiller améliore la reproductibilité, un défi majeur en science des matériaux. Le cœur de l’approche réside dans une combinaison de l’apprentissage actif, de l’optimisation bayésienne (BO) et de modèles de langage à grande échelle. Avant toute expérience, CRESt crée des représentations complexes de chaque recette à partir de bases de données scientifiques. Il utilise ensuite une analyse en composantes principales pour réduire l’espace de recherche tout en conservant les variations clés de performance. L’optimisation bayésienne est alors appliquée dans cet espace réduit pour proposer les expériences les plus prometteuses. Après chaque test, les nouvelles données expérimentales et les retours humains enrichissent la base de connaissances, permettant une amélioration continue de la stratégie d’exploration. En trois mois, CRESt a exploré plus de 900 compositions chimiques et mené 3 500 tests électrochimiques pour développer un catalyseur pour les piles à formiate, une technologie prometteuse pour la production d’électricité propre. Le nouveau matériau, composé de huit éléments dont des éléments peu coûteux, a permis une amélioration de 9,3 fois de la densité de puissance par dollar par rapport au palladium pur, tout en utilisant seulement un quart de métal précieux. Ce résultat constitue un record dans le domaine. Les chercheurs soulignent que CRESt n’est pas une substitution aux scientifiques, mais un assistant collaboratif. Bien que les humains restent essentiels pour le diagnostic et la prise de décision, le système permet de libérer du temps et de réduire les erreurs humaines. Selon Ju Li, le système représente une étape vers des laboratoires autonomes plus flexibles, capables d’apprendre et d’adapter leurs stratégies en temps réel. Cette innovation ouvre la voie à des découvertes plus rapides dans des domaines critiques comme les énergies renouvelables, la mobilité électrique et les matériaux durables.