L'IA cherche des matériaux comme un chef cuisinier express
La recherche d'un nouveau matériau ressemble à la cuisine sans recette : on essaie, on essaie, et souvent on jette. Avant, les scientifiques feuilletaient les articles à la main et testaient les compositions une par une. Maintenant, un « robot-cuisinier » est apparu, qui lit lui-même la littérature, mélange les composants et regarde ce que ça donne.
Le robot ne se contente pas de répéter les recettes des autres. Après chaque tentative, il mémorise ce qui a bien fonctionné et ce qui a mal fonctionné, et la fois suivante, il essaie une variante plus prometteuse. Lors des tests, cette approche a donné dès le départ plus de bons échantillons que le hasard.
Désormais, la recherche de matériaux passe du stade de la devinette à celui de l'apprentissage : le système devient plus intelligent à chaque tentative. C'est la voie vers des laboratoires entièrement automatisés, où de nouveaux matériaux pour l'électronique et les panneaux solaires seront découverts en quelques jours, et non en quelques années.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2608.15928v1
Most computationally predicted materials are never synthesized because conventional synthesis optimization is slow, expertise-dependent, and iterative. Here we present a closed-loop framework that automates this expert workflow by placing human tacit knowledge in the loop through a large language model (LLM) that distills synthesis knowledge from the literature, high-throughput hyperspectral imaging for rapid film evaluation, and multi-objective Bayesian optimization guided by experimental feedback. In a paired optimization campaign, LLM-assisted initialization produced more Pareto-optimal samples and higher hypervolume than a Latin hypercube sampling baseline at matched trial counts, and this advantage persisted throughout iterative optimization. We demonstrate the framework by synthesizing the previously unreported perovskite-inspired compound Rb3BiI6 as thin films and validating the optimized films by optical bandgap analysis and X-ray diffraction. The framework transforms synthesis prediction from single-shot recommendation to iterative learning, providing a generalizable strategy to accelerate automated and fully autonomous experimental materials discovery.
Le modèle de langage lit les articles comme un chimiste expérimenté : il repère dans le texte les recettes de synthèse que les auteurs eux-mêmes n'ont peut-être mentionnées qu'en passant.