GOLLuM : IA d'EPFL réduisant de 40 % les tests expérimentaux

Des chercheurs de l'École polytechnique fédérale de Lausanne, Bojana Ranković et Philippe Schwaller, ont développé une méthode d'intelligence artificielle baptisée GOLLuM, publiée dans la revue Nature Machine Intelligence. Cette approche vise à optimiser la recherche expérimentale en chimie et en science des matériaux en surmontant les limites des grands modèles de langage et de l'optimisation bayésienne traditionnelle. L'exploration scientifique repose souvent sur l'optimisation bayésienne, qui utilise les résultats passés pour prédire les expériences les plus prometteuses et estimer leur incertitude. Cette méthode doit cependant être recalibrée pour chaque nouveau domaine de recherche. Parallèlement, les grands modèles de langage offrent une vaste encyclopédie des connaissances scientifiques, mais ils souffrent d'hallucinations : leur confiance apparente ne reflète pas leur exactitude, ce qui peut orienter les chercheurs vers des pistes coûteuses et infructueuses. GOLLuM combine ces deux approches en couplant un grand modèle de langage à un processus gaussien, un outil mathématique servant de détecteur d'incertitude. Plutôt que de demander au modèle de langage de sélectionner directement des expériences, l'algorithme l'entraîne en utilisant les scores d'incertitude et de performance fournis par le processus gaussien. Au fil des essais, le modèle réorganise progressivement son espace de recherche : les conditions produisant des résultats similaires se rapprochent, tandis que celles aux résultats divergents s'éloignent. Cette restructuration automatique permet une navigation plus précise dans un vaste éventail de possibilités chimiques ou matérielles. Les chercheurs ont évalué GOLLuM sur vingt-trois jeux de tests couvrant la synthèse organique, la catalyse, la science des matériaux et l'optimisation moléculaire. Partant de dix observations initiales, la méthode a démontré une polyvalence remarquable sans nécessiter de réglage spécifique par problème. GOLLuM a surpassé les méthodes bayésiennes classiques fondées sur des descripteurs conçus par des experts. Sur cinquante expériences, 36,3 % des conditions testées se situaient dans le top 5 % des résultats possibles, contre 29,7 % pour l'approche traditionnelle. Globalement, la nouvelle méthode a atteint des performances comparables en utilisant plus de 40 % d'expériences en moins, confirmant sa rapidité de convergence. Sans ce cadre, l'utilisation directe des grands modèles de langage a conduit à des taux d'échec variables entre 10 et 80 %, avec des structures chimiques inventées, des répétitions ou des suggestions hors des limites autorisées. Cette étude démontre que l'intégration d'une modélisation probabiliste explicite transforme l'incertitude en un signal d'apprentissage efficace. Selon Philippe Schwaller, cette technique permet de lancer immédiatement des campagnes d'optimisation expérimentale en s'appuyant sur une représentation en langue naturelle, évitant des mois de préparation technique. GOLLuM pose ainsi les bases d'une collaboration plus robuste entre l'intelligence artificielle et la recherche scientifique, réduisant considérablement le temps et les coûts associés à la découverte de nouvelles molécules et matériaux.