Des chercheurs de l’université de Duke ont conçu un système d’agents intelligents basés sur l’IA capables de résoudre des problèmes de conception complexes presque aussi bien qu’un scientifique expérimenté. Cette avancée, publiée dans la revue ACS Photonics, démontre que des systèmes d’IA autonomes pourraient bientôt automatiser des tâches de conception spécifiques mais exigeantes, accélérant ainsi les progrès scientifiques dans de nombreux domaines. Le défi auquel s’attaquent ces chercheurs est ce qu’on appelle un « problème inverse mal posé » : on connaît le résultat souhaité, mais il existe une infinité de solutions possibles sans indication claire sur laquelle est la meilleure. Ce type de problème est courant dans des domaines comme la conception de métamatériaux, des matériaux synthétiques dont les propriétés émergent de leur structure plutôt que de leur composition chimique. Ces matériaux, composés de milliers de paramètres de conception, peuvent produire des réponses électromagnétiques inédites. Dans des travaux antérieurs, le laboratoire de Willie Padilla, professeur distingué en génie électrique et informatique à Duke, avait développé un modèle d’IA hybride — un réseau neuronal profond combiné à une méthode appelée « neural-adjoint » — capable de naviguer efficacement dans cet espace de solutions complexes. Cette méthode partait de points aléatoires et remontait vers des solutions optimales. Dans cette nouvelle étude, les chercheurs ont remplacé l’intervention humaine par un système d’agents d’IA basés sur des modèles de langage massifs (LLM), formant ce qu’ils appellent un « système agissant » (agentic system). Chaque agent a une tâche précise : collecter et organiser les données, générer du code pour un réseau neuronal à partir d’exemples existants, vérifier la précision du code, puis appliquer la méthode neural-adjoint. Un LLM central coordonne toutes ces étapes, permettant aux agents de communiquer entre eux et d’évaluer dynamiquement leur progression. Ce système peut décider lui-même s’il faut générer davantage de données ou poursuivre les itérations, et il peut expliquer en temps réel son raisonnement — une fonctionnalité cruciale pour la transparence et la confiance. « Il peut dire s’il atteint des rendements décroissants ou si l’erreur baisse suffisamment pour continuer », explique Dary Lu, doctorant qui a mené le projet. Cette capacité à simuler l’intuition d’un scientifique a été l’un des défis majeurs à surmonter. Testé sur des problèmes déjà résolus par des doctorants, l’IA n’a pas surpassé en moyenne les performances humaines, mais ses meilleures solutions se sont montrées comparables. Or, dans la recherche, une seule excellente conception peut suffire à faire avancer un domaine. Padilla est convaincu que ce type de système, bien conçu, peut s’appliquer à de nombreux autres domaines, de la chimie à l’ingénierie. « Nous sommes à un tournant où ces systèmes pourront renforcer la productivité des experts », affirme Lu. Il estime que la maîtrise de la conception de tels systèmes agissants deviendra une compétence très recherchée sur le marché du travail. Pour Padilla, ces IA autonomes pourront bientôt non seulement reproduire, mais aussi surpasser les découvertes humaines, à grande échelle et sur des délais considérablement réduits.