La science expérimentale suit généralement un cycle fermé « hypothèse-expérience-analyse-itération », mais ce processus est depuis longtemps limité par l'efficacité des opérations manuelles, l'expertise requise et les capacités de traitement des données. Dans des domaines tels que la science des matériaux, la chimie et la physique de la matière condensée, les grandes installations de recherche scientifique, comme les sources de rayonnement synchrotron et les sources de spallation de neutrons, permettent de révéler la structure et la dynamique à l'échelle atomique et moléculaire, mais elles souffrent généralement de problèmes tels que le temps limité, la complexité de leur fonctionnement et une forte dépendance à l'égard des chercheurs expérimentés.

Le développement de l'intelligence artificielle a ouvert de nouvelles perspectives pour améliorer l'efficacité des expériences. Auparavant, l'apprentissage automatique était principalement utilisé pour prédire les propriétés des matériaux, optimiser les paramètres expérimentaux et analyser les données. Désormais, grâce aux progrès constants de l'apprentissage actif, de la robotique et des grands modèles de langage, l'IA évolue d'un outil auxiliaire post-expérimental à un acteur à part entière du processus expérimental. Avec l'aide de mécanismes structurés d'appel d'outils, l'IA peut non seulement analyser les données, mais aussi commander des instruments, ajuster les paramètres et décider de la suite des opérations en fonction d'un retour d'information en temps réel.

Cette capacité est particulièrement importante pour les installations de grande envergure telles que la diffusion des rayons X. À mesure que la luminosité des sources lumineuses et la vitesse de détection augmentent, le volume de données expérimentales croît rapidement et des problèmes comme les biais d'échantillon, la dérive des équipements et les fluctuations du signal deviennent plus fréquents. Les scripts fixes traditionnels peuvent gérer les procédures standard, mais ils peinent à s'adapter aux situations expérimentales imprévues.

Sur cette base,Une équipe de recherche de l'université de Stanford et du SLAC National Accelerator Laboratory a développé un système de « scientifique à rayons X IA » et l'a déployé sur une véritable ligne de faisceau de la source de rayonnement synchrotron de Stanford.L'équipe de recherche a d'abord effectué le débogage du système dans une ligne de faisceau virtuelle, puis est passée à un équipement réel pour tester si l'IA pouvait réaliser de manière autonome des expériences en plusieurs étapes et gérer les écarts soudains dans l'environnement réel en résolvant la matrice d'orientation monocristalline.

Les résultats de cette recherche, intitulée « Un agent scientifique en radiologie doté d'une intelligence artificielle », ont été publiés dans la revue Nature Machine Intelligence.

Voir le document :
https://www.nature.com/articles/s42256-026-01261-5

Ensemble de données : Paramètres de base, simulation virtuelle et mesures réelles de la ligne de faisceau

Les données requises par les chercheurs se répartissent principalement en trois catégories : les paramètres de base du cristal et de l’instrument, les données de simulation générées à partir de lignes de faisceau virtuelles et les données expérimentales acquises à partir de lignes de faisceau réelles.

L'échantillon de vérification principal était un demi-métal de Weyl magnétique, Co₃Sn₂S₂. Le système nécessitait l'acquisition préalable d'informations telles que la structure cristalline, la longueur d'onde des rayons X, la course du moteur du diffractomètre et la géométrie du détecteur. Ces données ont permis à l'IA de calculer les positions théoriques des pics de diffraction et de définir les limites physiques et de sécurité du fonctionnement de l'instrument. L'étude a également utilisé du silicium monocristallin pour une vérification complémentaire.

Afin de minimiser le temps consacré à l'utilisation de la machine réelle, l'équipe de recherche a construit une ligne de faisceau virtuelle.La plateforme de simulation génère des images de diffraction basées sur la géométrie du diffractomètre à six cercles, et ajoute un élargissement des pics, du bruit matériel et une distorsion du signal pour que la sortie soit aussi proche que possible des résultats du détecteur réel.

Les chercheurs ont également délibérément introduit des erreurs de décalage moteur et de paramètres de réseau dans la simulation. L'IA ne peut se contenter de copier des valeurs théoriques ; elle doit déduire l'état réel à partir d'observations et corriger continuellement ses estimations. De plus, l'équipe a mis en place des scénarios plus complexes, tels que des décalages moteurs plus importants, des interférences entre plusieurs grains et des ressources d'inférence limitées, afin de tester la stabilité du système.

Après la réalisation du test virtuel, le système a été déployé sur la ligne de faisceau BL17-2 du synchrotron de Stanford (SSRL). Les données réelles comprenaient des images du détecteur, des courbes de balayage, l'état des équipements et les journaux d'expériences. Contrairement à l'environnement de simulation, l'expérience réelle a également introduit des erreurs de fixation, un défaut d'alignement des équipements et du bruit aléatoire – des problèmes non modélisés au préalable – qui se sont avérés essentiels pour tester l'adaptabilité de l'IA.

Système expérimental de diffraction autonome basé sur l'inférence de grands modèles et l'appel d'outil MCP

Le « scientifique aux rayons X IA » se compose de trois parties : un grand modèle chargé de l'analyse et de la prise de décision, une couche d'interaction avec l'outil chargée de transmettre les instructions et un équipement expérimental pour effectuer les opérations réelles.

Les trois sont connectés via le protocole de contexte de modèle, également connu sous le nom de MCP. L'IA peut lire les informations relatives aux échantillons et aux instruments, visualiser les images du détecteur et les courbes de balayage, et générer des instructions pour le contrôle des moteurs, la détection des pics et l'ajustement des données. Par mesure de sécurité, l'IA n'accède pas directement au matériel sous-jacent, mais interagit avec le dispositif via des interfaces restreintes.

Dans le test virtuel, l'équipe de recherche a comparé Claude Sonnet 4 et Gemini 2.5 Flash ;L'expérience réelle sur la ligne de faisceau utilise le Claude Opus 4, qui possède des capacités de raisonnement plus puissantes.Le système ne nécessite pas de réentraînement du modèle ; il s’appuie principalement sur des invites, des manuels expérimentaux et des instructions d’utilisation pour guider le modèle complexe dans la compréhension de la tâche. Ces invites ne prédéfinissent pas chaque étape de l’opération, mais informent l’IA de l’objectif expérimental, des outils disponibles et des règles de sécurité. Le choix du point de diffraction, la taille de la zone de balayage et la gestion des signaux anormaux sont déterminés automatiquement par l’IA en fonction des résultats en temps réel.

L'ensemble du processus forme une boucle continue : l'IA commence par lire les informations et calculer la position théorique, puis pilote l'équipement de numérisation, analyse ensuite les résultats d'observation et ajuste la stratégie suivante en conséquence. La différence avec un scénario fixe réside dans le fait que si les résultats expérimentaux s'écartent des prévisions, l'IA peut réévaluer la cause au lieu de poursuivre mécaniquement le processus initial.

Erreur d'orientation <5°, installation réussie corrigeant le décalage de 1,22°.

Cette étude a choisi de résoudre la matrice d'orientation d'un monocristal comme tâche de test. En d'autres termes, ce travail détermine la relation entre le système de coordonnées du cristal et celui du laboratoire, une étape indispensable à la plupart des expériences de diffusion sur monocristal. La réalisation de cette tâche nécessite généralement la détection d'au moins deux taches de diffraction et l'étalonnage continu de la position des pics par le mouvement coordonné de plusieurs moteurs. L'expérience implique la manipulation de géométries spatiales complexes et l'identification du bruit et des signaux anormaux, ce qui requiert fortement l'expertise de l'opérateur.

Dans le cadre du test de simulation virtuelle, plusieurs expériences ont été menées avec Claude Sonnet 4 et Gemini 2.5 Flash. Les résultats sont présentés dans la figure ci-dessous.Tous les tests ont permis de localiser avec succès le point de diffraction cible, et l'erreur d'orientation de la grande majorité des expériences était inférieure à 5° ;Plus de la moitié des tests ont maintenu l'erreur sur le paramètre de maille c inférieure à 0,01 Å. Les performances du système se sont dégradées lorsque le décalage du moteur augmentait, en cas d'interférences polycristallines ou lorsque les ressources d'inférence disponibles pour le modèle diminuaient. L'impact de la limitation des ressources d'inférence était le plus significatif. Ceci indique que les expériences autonomes dépendent non seulement de la connaissance des données expérimentales par le modèle, mais aussi de sa capacité à effectuer une analyse suffisante et continue.

L'expérience menée sur la ligne de faisceau réelle adopte un modèle de « prise de décision par IA, avec intervention humaine ». L'IA génère les instructions expérimentales, tandis que le personnel sur site se charge uniquement de les saisir telles quelles dans l'équipement, sans participer à la détermination de la position des pics ni au choix de la stratégie.

Dans l'expérience Co₃Sn₂S₂, l'IA a d'abord sélectionné le point de diffraction (0,0,6) pour la recherche. Après balayage, elle a constaté un écart significatif entre la position réelle du pic et sa position théorique, et a déterminé que cet écart pouvait être dû à une irrégularité du porte-échantillon. Le système a ensuite corrigé le décalage sur l'axe η d'environ 1,22° et recalibré le centre du pic.

Après avoir verrouillé le premier point de diffraction, l'IA a sélectionné (1,0,10) comme seconde cible et déterminé l'orientation du cristal dans le plan en élargissant la plage de balayage de l'axe φ. Au cours de l'expérience, des interférences d'anneaux de diffraction sont apparues sur l'image du détecteur, mais l'IA ne les a pas confondues avec le pic du monocristal cible et a finalement abouti à la résolution de la matrice d'orientation.

Dans des expériences sur du silicium monocristallin, le système a réussi à effectuer la recherche et l'alignement, même avec des pics de diffraction plus fins et un décalage de l'axe η d'environ 1,5°. Faute de temps suffisant avec les équipements disponibles, cette étude n'a pas encore été reproduite à grande échelle et ne permet donc pas encore de démontrer l'applicabilité du système à tous les échantillons et lignes de faisceau. Cependant, ces expériences ont permis de valider un principe fondamental.Les grands modèles de langage peuvent détecter les biais, ajuster les stratégies et maintenir des boucles fermées expérimentales dans des environnements réels non entièrement couverts par les simulations grâce à une observation continue, un raisonnement et des appels d'outils.

Cela signifie que le rôle des grands modèles de langage dans la recherche scientifique ne se limitera plus à la recherche bibliographique, à la génération de code et à l'analyse de données hors ligne. En les combinant à des outils spécialisés, des interfaces sécurisées et des règles physiques, ils devraient devenir de véritables collaborateurs de recherche, capables de participer à l'exploitation des équipements, à la prise de décisions expérimentales et à la gestion des anomalies.

Derniers mots

L'importance des « scientifiques en IA spécialisés dans les rayons X » ne réside pas dans le remplacement du personnel de laboratoire, mais dans leur capacité à permettre à l'IA de dépasser le cadre des outils d'analyse de données pour investir le terrain expérimental, en participant au fonctionnement des équipements, à l'évaluation de leur état et à l'ajustement des stratégies. Bien que limitées actuellement par la taille des échantillons, le temps d'utilisation des machines et la nécessité d'une intervention humaine pour la sécurité, ces recherches ont démontré que des modèles de grande taille peuvent mener à bien des expériences complètes grâce à une observation et un raisonnement continus dans des environnements réels complexes et imparfaits.

À l'avenir, avec une intégration accrue des modèles, des robots et des instruments scientifiques, l'IA devrait devenir un partenaire de collaboration important dans les grands centres de recherche scientifique, aidant les chercheurs à réduire les opérations répétitives et à consacrer davantage d'énergie aux questions scientifiques elles-mêmes.