MIT : une IA autonome crée ses outils de recherche physique
Un professeur du MIT, Markus J. Buehler, a récemment démontré une nouvelle approche de la recherche scientifique où l'intelligence artificielle conçoit et déploie elle-même ses outils d'analyse physique. En se basant sur une simple description textuelle et quelques images de référence, un modèle d'IA a généré en quelques heures une chaîne complète d'outils de simulation, incluant des solveurs mécaniques, des algorithmes de rupture et une interface de visualisation web. Cette méthode, baptisée méta-intelligence récursive, vise à accélérer l'exploration des métamatériaux, dont les propriétés dépendent de leur architecture interne plutôt que de leur composition chimique. L'équipe a utilisé ces simulateurs autonomes pour exécuter environ 6 000 simulations à travers des centaines d'agents d'IA, sans supervision centrale. Ces calculs ont permis de contester un dogme de la science des matériaux : la structure hiérarchique, longtemps considérée comme le secret de la résistance mécanique, ne garantit pas systématiquement une meilleure ténacité. L'analyse a révélé que les véritables déterminants du comportement à la rupture sont la répartition de la matière entre les éléments porteurs et la disposition spatiale des composants ordonnés. De plus, la rupture d'un élément modifie dynamiquement la topologie du réseau, redistribuant les contraintes et l'énergie de manière complexe. Les résultats indiquent que certaines architectures hiérarchiques conservent 90 % de leur résistance même lorsqu'elles sont soumises à des défauts quatorze fois plus larges que les seuils habituels, ouvrant des perspectives pour le blindage, l'aérospatiale et le génie parasismique. Tous les outils générés et les données ont été publiés sur la plateforme Hugging Face, permettant aux chercheurs d'ajuster des paramètres en temps réel ou d'exporter des fichiers pour l'impression 3D. Selon le professeur Buehler, cette approche constitue une étape vers une superintelligence scientifique, où les systèmes d'IA construisent progressivement leur propre espace de recherche et améliorent continuellement leurs capacités d'inférence. Cette initiative s'inscrit dans une tendance plus large où l'IA commence à transformer la méthode scientifique, passant de la simple optimisation de paramètres à la génération autonome de cadres de simulation. Toutefois, les experts soulignent que les modèles restent simplifiés par rapport aux logiciels professionnels de simulation numérique et que toutes les découvertes demeurent virtuelles. La validation expérimentale et la capacité des IA à améliorer leurs propres outils en boucle restent les prochains défis à relever pour confirmer le plein potentiel de ce nouveau paradigme de recherche assistée.
