Nous avons passé des mois à construire une IA qui prédit les matériaux avant de les synthétiser — voici pourquoi le laboratoire du futur ne commencera pas par un bécher

Il y a un moment auquel je reviens sans cesse. C'était un jeudi soir, tard, et je fixais un tableur que quelqu'un m'avait envoyé — le registre de chaque composé qu'une équipe pharmaceutique de taille moyenne avait physiquement synthétisé et testé au cours des dix-huit mois précédents. Des milliers de lignes. Coûts des réactifs, heures de synthèse, résultats de caractérisation. Et à côté de chaque ligne, une colonne intitulée « Résultat ». L'immense majorité disait la même chose : Échec.

Pas « résultat négatif intéressant ». Pas « impasse instructive ». Juste : échec. Le composé ne se liait pas. Le matériau n'était pas stable. La réaction ne donnait aucun rendement. Des milliers d'expériences, des millions de dollars, et l'équipe se retrouvait pour l'essentiel au point de départ — sauf qu'elle savait désormais ce qui n'avait pas fonctionné. Ce qui représente déjà quelque chose, j'imagine, à condition de le noter. La plupart des équipes ne le font même pas.

Ce tableur a cristallisé quelque chose que je tournais et retournais depuis un moment chez Veriprajna. La façon dont la plupart des laboratoires de R&D découvrent de nouveaux matériaux et molécules est fondamentalement défaillante — non pas parce que les scientifiques manquent de génie, mais parce que la méthode elle-même s'est heurtée à un mur qu'aucun génie ne peut faire passer à l'échelle. L'espace de recherche des molécules de type médicamenteux est estimé entre 10⁶⁰ et 10¹⁰⁰. Le nombre d'atomes dans l'univers observable est d'environ 10⁸⁰. Nous demandons à des êtres humains de trouver des aiguilles dans des bottes de foin littéralement plus grandes que le cosmos, en leur tendant une pince à épiler.

Je vais vous expliquer pourquoi nous avons construit ce que nous avons construit, ce que nous avons mal compris en chemin, et pourquoi je crois que l'ère de la science par tâtonnements — ce qu'on appelle souvent l'« approche édisonienne » — touche à sa fin. Pas progressivement. Brutalement.

Pourquoi la méthode Edison reste-t-elle la norme en R&D ?

Thomas Edison a testé des milliers de filaments de carbone avant d'en trouver un qui brille assez longtemps pour être utile. On raconte cette histoire comme une parabole sur la persévérance. Ce qu'on omet, c'est que même Nikola Tesla, contemporain d'Edison, faisait remarquer qu'« un peu de théorie et de calcul » aurait pu épargner 90 % du travail. Edison a fini par adopter lui-même des méthodes plus structurées. Mais son héritage — la force brute des essais et erreurs — est devenu, on ne sait trop comment, la méthodologie fondatrice de la recherche pharmaceutique et des matériaux modernes.

Le criblage à haut débit, ou HTS (High-Throughput Screening), était censé industrialiser tout cela. Automatiser les suppositions. Tester un million de composés au lieu de mille. Et pendant un temps, ça a marché — ou du moins, on avait l'impression que ça marchait. Mais les taux de réussite n'ont cessé de chuter. Les faux positifs n'ont cessé de grimper. Les composés qui « fonctionnaient » lors du criblage se révélaient toxiques, insolubles ou impossibles à fabriquer à grande échelle. Une campagne de HTS standard peut tester 10⁶ composés. Même en portant ce chiffre à un milliard — 10⁹ —, vous n'auriez exploré qu'environ 0,000000000000000000000000000000000000000000000000001 % de l'espace chimique disponible.

La méthode Edison en chimie moderne, c'est comme essayer de cartographier l'océan Pacifique en y plongeant une cuillère à café à intervalles aléatoires.

Les conséquences financières sont brutales. Le coût de développement d'un nouveau médicament a atteint environ 2,23 milliards de dollars par actif en 2024. Le taux de rendement interne de la R&D pharmaceutique s'est effondré à 1,2 % en 2022 avant de rebondir à 5,9 % en 2024 — et cette reprise a été largement portée par une seule classe de médicaments (les agonistes du GLP-1), et non par une amélioration systémique du fonctionnement de la découverte. Ce déclin a même un nom : la loi d'Eroom. La loi de Moore écrite à l'envers. Chaque décennie, la découverte de médicaments devient plus lente et plus coûteuse.

Je me souviens d'une conversation avec un spécialiste des matériaux — quelqu'un que je respecte profondément — qui m'a dit, sans détour : « Nous savons que nous gaspillons la majeure partie de notre budget. Mais nous ne savons pas quelles expériences éviter. » Cette phrase m'a hanté. Parce que la réponse honnête, c'est : vous pouvez le savoir. Il vous faut simplement un autre type d'instrument. Pas une meilleure pipette. Une meilleure carte.

La nuit où la simulation a contredit le laboratoire

Lorsque mon équipe a commencé à construire des modèles guidés par la physique pour la prédiction des matériaux, nous avons vécu une expérience qui nous a rendus humbles. Nous avions entraîné un modèle à prédire la stabilité d'une classe de composés inorganiques. Le modèle a signalé une composition particulière comme thermodynamiquement instable — en somme, il disait « ne perdez pas votre temps à synthétiser ceci ». Mais la littérature suggérait le contraire. Un article publié affirmait que cette composition était prometteuse.

Nous en avons débattu pendant deux jours. La moitié de l'équipe voulait faire confiance au modèle. L'autre moitié estimait que nous faisions preuve d'arrogance — qui étions-nous pour passer outre des résultats expérimentaux publiés ? Nous avons fini par creuser l'article plus en profondeur et découvert que le résultat « prometteur » reposait sur une phase métastable qui se dégradait en quelques heures dans des conditions d'exploitation réelles. Le modèle avait eu raison. L'article avait techniquement raison lui aussi — le matériau existait — mais il était inutilisable pour toute application pratique.

C'est à ce moment-là que j'ai compris la différence entre l'apprentissage automatique guidé par la physique et le type d'IA qui fait la une des journaux. La plupart des IA sur le marché aujourd'hui — celles bâties sur des grands modèles de langage — apprennent à partir de corrélations dans les données. C'est de la reconnaissance de motifs à grande échelle. Et c'est extraordinaire pour de nombreuses tâches. Mais les molécules ne sont pas des phrases. Ce sont des graphes tridimensionnels dotés de contraintes géométriques, d'orbitales électroniques, de chiralité et de limites thermodynamiques qui se moquent des motifs que GPT-4 a pu voir dans son corpus d'entraînement.

L'apprentissage automatique guidé par la physique intègre les lois physiques réelles — conservation de la masse, équations thermodynamiques, contraintes de la mécanique quantique — directement dans l'architecture du modèle. Au lieu d'avoir besoin de millions de points de données pour apprendre que l'énergie se conserve, le modèle le sait dès le départ. Cela implique trois choses qui comptent énormément en pratique :

Il nécessite bien moins de données d'entraînement. Il peut extrapoler au-delà de sa distribution d'entraînement sans générer de résultats physiquement impossibles. Et il n'hallucine pas de molécules qui violent la chimie de base.

J'ai abordé cette distinction bien plus en détail dans la version interactive de nos travaux, mais l'idée essentielle est simple : si votre IA peut proposer une molécule qui viole la conservation de la masse, elle ne fait pas de science. Elle fait de la saisie semi-automatique.

Que se passe-t-il lorsque vous bouclez la boucle ?

C'est là que les choses deviennent intéressantes — et là que nous avons consacré l'essentiel de nos efforts d'ingénierie. Prédire les matériaux par le calcul n'est que la première étape. Mais la prédiction seule reste une boucle ouverte. Vous simulez, vous obtenez un résultat, un humain l'interprète, un autre humain conçoit l'expérience suivante, quelqu'un réserve du temps sur le synthétiseur, et des semaines plus tard vous obtenez un seul point de données. Le goulot d'étranglement n'est pas l'IA. C'est l'humain au milieu.

La véritable transformation survient lorsque vous bouclez la boucle : l'IA prédit, un robot synthétise, des capteurs caractérisent le résultat, les données sont réinjectées dans le modèle, et l'IA sélectionne l'expérience suivante. Aucun humain au milieu. Concevoir-Fabriquer-Tester-Analyser, en continu.

L'A-Lab du Lawrence Berkeley National Laboratory en a fait la démonstration à grande échelle. Leur système autonome a synthétisé 41 nouveaux composés inorganiques en 17 jours — un débit qui prendrait des mois à des chercheurs humains. Lorsqu'une synthèse échouait, l'IA analysait le diagramme de diffraction des rayons X, ajustait les ratios de précurseurs et les profils de chauffage, puis réessayait. Un taux de réussite de 71 % pour de nouveaux matériaux, obtenu par un système qui corrige ses propres erreurs en temps réel.

Mais le moteur mathématique qui sous-tend tout cela — la partie qui fait fonctionner l'ensemble — est ce qu'on appelle l'apprentissage actif avec optimisation bayésienne. Et cela vaut la peine d'être compris, car c'est la raison pour laquelle les laboratoires en boucle fermée ne sont pas seulement plus rapides que les laboratoires dirigés par des humains, mais fondamentalement plus efficaces.

Pourquoi l'optimisation bayésienne surpasse-t-elle le criblage aléatoire ?

Le criblage traditionnel est aléatoire. Vous choisissez des composés dans une bibliothèque, vous les testez, et vous espérez. L'optimisation bayésienne fait quelque chose de radicalement différent : elle construit un modèle probabiliste de l'ensemble de l'espace de recherche, y compris ce qu'elle ne connaît pas, puis sélectionne stratégiquement l'expérience qui lui apprendra le plus.

Le modèle prédit deux choses pour chaque point non testé : une valeur attendue (à quel point ce matériau pourrait être bon) et une incertitude (à quel point le modèle est sûr de cette prédiction). Ensuite, une fonction d'acquisition — voyez-la comme la stratégie décisionnelle de l'IA — met en balance l'exploration (l'étude des régions incertaines) et l'exploitation (l'affinage des zones qui semblent prometteuses).

C'est là que cela devient élégant. Le potentiel d'apprentissage automatique ANI-1x a atteint une précision de niveau DFT — soit la théorie de la fonctionnelle de la densité, la référence absolue de la chimie computationnelle — en n'utilisant que 10 % des données dont aurait besoin un échantillonnage aléatoire naïf. Et l'optimisation bayésienne tenant compte des coûts peut réduire les coûts de réactifs jusqu'à 90 % en intégrant le prix de chaque expérience au moment de décider quoi tester ensuite. Si deux expériences offrent une information similaire, mais que l'une coûte 5 000 $ de réactifs et l'autre 50 $, le système choisit la moins chère.

L'apprentissage actif ne se contente pas de trouver des réponses plus vite. Il pose de meilleures questions.

Une chose qui surprend systématiquement les gens : dans ce cadre, les expériences ratées comptent parmi les données les plus précieuses que vous puissiez générer. Dans le modèle édisonien, un résultat négatif est enterré dans un cahier de laboratoire. Dans l'apprentissage actif, chaque échec affine la compréhension qu'a le modèle de l'emplacement des limites. Il cartographie les impasses de la chimie — de façon permanente — pour que l'organisation ne gaspille plus jamais de ressources sur ces voies. Cette connaissance topologique du paysage des échecs est une propriété intellectuelle qui se capitalise avec le temps.

Le problème du « il suffit d'utiliser GPT »

Je dois aborder un point directement, parce que je l'entends sans arrêt. Des investisseurs, des clients potentiels, et même certains scientifiques disent : « Pourquoi ne pas simplement utiliser GPT-4 pour cela ? Il connaît la chimie. »

Ce n'est pas le cas. Pas de la manière qui compte.

Les grands modèles de langage représentent les molécules sous forme de chaînes de texte — généralement la notation SMILES, un encodage linéaire d'une structure tridimensionnelle. C'est comme décrire un bâtiment en lisant son adresse à voix haute et en s'attendant à ce que quelqu'un en comprenne le plan. Les LLM sont « sensibles aux permutations » (l'ordre des caractères compte), alors que les molécules sont invariantes par permutation (l'ordre dans lequel on énumère les atomes est sans importance). Les tests de référence montrent systématiquement que les réseaux de neurones sur graphes, qui modélisent les molécules comme de véritables graphes 3D dotés de nœuds et d'arêtes, surpassent les LLM sur les tâches de prédiction de propriétés impliquant une structure géométrique.

La bonne architecture — celle que nous préconisons et que nous construisons — est hybride. Les LLM sont d'excellents orchestrateurs. Ils peuvent analyser la littérature scientifique, extraire des recettes de synthèse, générer des protocoles expérimentaux et raisonner sur la stratégie de haut niveau. Mais pour le gros du travail de conception moléculaire, d'analyse de stabilité et de prédiction des propriétés, il vous faut des réseaux de neurones sur graphes contraints par la physique. Le LLM est le chef de projet. Le GNN est l'ingénieur. Vous avez besoin des deux, et vous devez savoir auquel confier quelle tâche.

De nombreuses offres d'IA actuelles dans le domaine scientifique ne sont que des enveloppes (wrappers) autour d'API publiques de LLM. Une enveloppe ne peut pas imposer la conservation de la masse. Elle ne peut pas naviguer dans un espace de recherche de 10¹⁰⁰ avec une rigueur bayésienne. Elle ne peut pas s'intégrer au matériel robotique qui boucle la boucle.

Pour l'analyse technique complète de ces décisions d'architecture — y compris la façon dont l'optimisation multi-fidélité fusionne des données de simulation bon marché avec des résultats expérimentaux coûteux — consultez notre article de recherche détaillé.

La tuyauterie dont personne ne parle

Il y a un secret peu reluisant dans la recherche sur les laboratoires autonomes : l'IA est souvent la partie facile. Le plus dur, c'est de faire dialoguer le spectromètre avec le manipulateur de liquides, avec la plaque chauffante, avec l'IA. Les instruments de laboratoire de différents fabricants parlent des langages propriétaires distincts. Sans une couche de traduction universelle, votre laboratoire autonome n'est qu'un cerveau dans un bocal.

C'est pourquoi la norme SiLA 2 — Standardization in Lab Automation — a tant d'importance, et pourquoi nous avons consacré un temps ingrat mais crucial au middleware. SiLA 2 traite chaque instrument comme un microservice. L'IA envoie une commande de haut niveau (« Distribuer 5 ml ») sans avoir besoin de connaître le protocole de port série du bras robotisé spécifique. Elle fonctionne sur des protocoles web modernes, prend en charge la connectivité cloud et — surtout — peut envelopper les instruments hérités. Un HPLC vieux de vingt ans peut devenir partie intégrante d'une boucle autonome.

Avant qu'un robot physique ne bouge, nous simulons l'expérience entière dans un jumeau numérique — une réplique virtuelle du laboratoire qui valide la synchronisation, les trajectoires de collision et la logistique. Lorsque l'expérience réelle se déroule, nous comparons les données des capteurs aux prédictions du jumeau pour détecter les anomalies : une pipette bouchée, un capteur de température qui dérive. Le jumeau est le filet de sécurité qui rend l'autonomie digne de confiance.

Je vais être honnête : c'est la partie du travail sur laquelle personne n'écrit de communiqués de presse dithyrambiques. Mais c'est la partie qui détermine si un laboratoire en boucle fermée fonctionne vraiment en production, ou se contente de fonctionner dans une démo.

Les chiffres qui m'ont fait changer d'avis

J'ai abordé ce travail en sceptique du battage médiatique. L'IA dans la découverte de médicaments est « à cinq ans » depuis vingt ans. Ce qui m'a fait changer d'avis, ce n'est pas la théorie. Ce sont des résultats concrets.

Exscientia a fait entrer des petites molécules conçues par IA en essais cliniques de phase I en environ 12 mois, contre une moyenne sectorielle de 4 à 5 ans. Insilico Medicine a fait passer un candidat contre la fibrose de la découverte de la cible au candidat préclinique en moins de 18 mois, pour une fraction du coût habituel. Les 41 composés de l'A-Lab en 17 jours. Les modèles de toxicité prédictive du Broad Institute qui écartent les composés dangereux avant la synthèse, économisant des millions en coûts d'échec en aval.

Ce ne sont pas des projections. Ce sont des résultats. Et ils partagent une architecture commune : la simulation avant la synthèse, des modèles guidés par la physique, des boucles de rétroaction fermées et la capture systématique des données négatives.

On me demande parfois si cela élimine complètement le besoin de laboratoires humides. Ce n'est pas le cas. Le laboratoire humide reste l'endroit où réside la vérité — là où les prédictions du modèle rencontrent la réalité. Ce qui change, c'est le rapport. Au lieu de mener dix mille expériences pour trouver un résultat positif, vous en menez cinquante. Le laboratoire humide devient un instrument de validation, et non un moteur de recherche.

D'autres s'inquiètent des suppressions d'emplois — cela va-t-il remplacer les scientifiques ? D'après mon expérience, c'est l'inverse qui se produit. Les scientifiques avec qui j'ai travaillé et qui adoptent ces outils ne deviennent pas moins importants. Ils deviennent plus stratégiques. Ils consacrent leur temps aux problèmes qui exigent un jugement humain — interpréter des résultats inattendus, concevoir de nouveaux paradigmes expérimentaux, poser des questions que l'IA n'a pas été entraînée à poser — au lieu de pipeter à travers une bibliothèque de composés dont ils soupçonnent déjà qu'ils ne fonctionneront pas.

L'art est devenu de l'ingénierie

Je pense souvent à ce tableur. Toutes ces lignes marquées « Échec ». Chacune représentait l'hypothèse de quelqu'un, l'après-midi de quelqu'un, le budget de quelqu'un. Dans le modèle édisonien, ces échecs étaient le prix à payer — inévitables, attendus et largement invisibles dans le bilan final.

Dans le modèle que nous construisons, chacun de ces échecs aurait été prédit. Pas tous — je ne prétends pas à l'omniscience. Mais suffisamment pour que le tableur ne fasse qu'une fraction de sa longueur, et que la colonne « Résultat » ait une tout autre allure.

L'espace de recherche des nouvelles molécules et matériaux est d'une immensité incompréhensible. Aucune intuition humaine, aucune flotte de manipulateurs de liquides, aucune campagne de HTS à un milliard de dollars ne peut l'explorer de façon significative par la seule expérimentation physique. Les mathématiques ne le permettent tout simplement pas. Ce que les mathématiques permettent bel et bien, c'est une navigation intelligente — utiliser des modèles contraints par la physique pour simuler avant de synthétiser, l'optimisation bayésienne pour poser les bonnes questions dans le bon ordre, et l'automatisation robotique pour boucler la boucle entre la prédiction et la réalité.

L'ère édisonienne a produit des choses extraordinaires. Mais c'était une méthodologie née d'une époque où la théorie ne pouvait pas suivre l'expérience. Nous ne vivons plus à cette époque. La théorie est là. La puissance de calcul est là. La robotique est là. Il ne reste plus que la volonté institutionnelle de cesser de traiter la R&D comme un art pratiqué par des individus talentueux et de commencer à la traiter comme une discipline d'ingénierie alimentée par des systèmes déterministes.

Ne tâtonnez pas. Simulez et sélectionnez.

Ce n'est pas un slogan. C'est un impératif économique. Chaque matériau testé physiquement qui aurait pu être écarté par le calcul, c'est de l'argent jeté par les fenêtres. Et les organisations qui le comprendront les premières ne se contenteront pas d'aller plus vite — elles rendront l'ancienne façon de travailler économiquement non viable pour tous les autres.