L’intelligence artificielle (IA) est en train de révolutionner la découverte de nouveaux matériaux, mais cette révolution est entachée de controverses. En 2022, Google DeepMind avait annoncé avoir utilisé un modèle d’apprentissage profond pour prédire 2,2 millions de nouveaux matériaux cristallins, dont des composés prometteurs pour les batteries lithium-ion ou des matériaux bidimensionnels semblables au graphène. Ces prédictions, réalisées grâce à l’algorithme GNoME (Graph Networks for Materials Exploration), s’appuyaient sur des données provenant de bases de données comme le Materials Project, où des calculs de théorie de la fonctionnelle de la densité (DFT) avaient déjà été effectués. GNoME apprenait à prédire la stabilité des structures cristallines bien plus rapidement que la DFT classique, permettant une exploration massive de l’espace des matériaux. Par la suite, des initiatives similaires ont vu le jour : Microsoft a lancé MatterGen, un modèle capable de générer des matériaux avec des propriétés ciblées, tandis que Meta, en collaboration avec le Georgia Institute of Technology, a utilisé l’IA pour identifier des frameworks organométalliques (MOFs) capables de capturer le CO₂ directement de l’air. Ces travaux ont suscité des espoirs considérables, mais aussi des critiques sévères. Des chercheurs comme Anthony Cheetham (UCSB) ont souligné que des milliers de matériaux prédits contenaient des éléments rares ou radioactifs comme le prométhium, rendant leur utilisation pratiquement impossible. D’autres, comme Berend Smit (EPFL), ont jugé les candidats pour la capture du CO₂ peu réalistes, critiquant une forme de « biais d’enthousiasme » face à l’excitation de l’IA. Les controverses se sont intensifiées avec l’annonce de l’A-Lab, un système robotisé développé par DeepMind et le Materials Project, qui prétendait avoir synthétisé 41 nouveaux matériaux inorganiques. Robert Palgrave (University College London) et ses collègues ont démontré que plusieurs de ces matériaux étaient déjà connus sous forme désordonnée, et que les structures prédites par DFT étaient souvent instables à température ambiante. Le problème central réside dans le fait que la DFT suppose des structures parfaitement ordonnées, alors que les matériaux réels sont souvent désordonnés, ce qui modifie leurs propriétés. Johannes Margraf (Université de Bayreuth) a montré que 80 à 84 % des matériaux stables prédits par GNoME seraient probablement désordonnés en réalité, rendant leurs prédictions inexactes. Ces limites ne remettent pas en cause l’impact potentiel de l’IA, mais soulignent la nécessité d’une collaboration étroite entre modélisation et expérimentation. Kristin Persson (LBNL) insiste sur l’importance de ces méthodes, tandis qu’Ekin Dogus Cubuk, ancien chercheur chez DeepMind, admet que GNoME sert surtout de guide pour orienter la recherche, pas comme une solution miracle. Des entreprises comme Periodic Labs ou Orbital Materials émergent pour combler ce fossé entre prédiction et synthèse réelle. En définitive, l’IA est un outil puissant, mais non magique. Elle accélère la découverte, mais ne remplace pas la science expérimentale. Les résultats les plus prometteurs viendront de l’harmonisation entre modèles prédictifs, données expérimentales fiables et une humilité scientifique face aux limites actuelles des outils. L’avenir du design de matériaux ne dépend pas seulement de l’intelligence artificielle, mais de la capacité à la conjuguer avec le savoir-faire humain et la rigueur expérimentale.