Une IA guidée en langage courant réduit ses essais, en simulation

Un chimiste saisit une phrase simple dans le système : « Augmenter la température améliore le rendement. » Au cours de la même session, l'IA a déjà modifié l'ordre dans lequel elle teste les conditions. C'est le cœur d'un nouveau cadre de travail de l'Institut coréen de recherche en technologie chimique (KRICT), présenté par l'équipe du docteur Gwang-Noh Ahn comme un moyen pour les scientifiques de transmettre directement leur savoir-faire à un laboratoire autonome.

Le mécanisme fonctionne en trois étapes. Un grand modèle de langage (LLM), c'est-à-dire un programme qui lit et écrit du texte courant, convertit la remarque du chercheur en informations préalables structurées et en contraintes. Un algorithme d'optimisation bayésienne (BO), une méthode qui pèse les résultats passés pour choisir l'expérience suivante la plus prometteuse, utilise ces informations pour sélectionner le prochain essai. Les résultats sont réinjectés dans la boucle, et le chercheur peut modifier ses consignes en langage courant à tout moment. L'équipe nomme l'ensemble de la démarche optimisation avec intervention humaine (HILO). Les équipements automatisés classiques répètent des procédures prédéfinies ; ici, c'est l'IA qui décide de l'expérience suivante.

Le risque est évident : une intuition erronée peut entraîner l'IA dans la mauvaise direction. Pour y remédier, l'équipe a ajouté une sécurité qu'elle appelle détection adaptative de la crédibilité des poids (AWCD). Elle compare les conseils aux données expérimentales et, lorsque suffisamment de preuves contradictoires s'accumulent, désactive l'information préalable trompeuse pour revenir à une recherche uniquement fondée sur les données. Lors de tests avec des consignes volontairement erronées, les méthodes classiques n'ont pas réussi à trouver les conditions optimales, tandis que le nouveau cadre a détecté l'erreur et retrouvé ses performances. Lorsque les conseils sont justes, l'AWCD les maintient actifs.

Les gains annoncés sont de environ 30 à moins de 10 recherches pour la réaction d'Ugi, et de environ 20 à trois à cinq recherches pour le composite P3HT-CNT. L'équipe estime que l'effet équivaut à disposer à l'avance d'environ 40 points de données expérimentales, ce qui pourrait faire économiser environ 20 jours d'exploration initiale dans des expériences sur les catalyseurs qui prennent une demi-journée ou plus par essai. Il s'agit d'expériences virtuelles fondées sur des données réelles, et non d'essais sur un robot physique ; l'équipe reconnaît qu'elle doit encore valider le système sur de véritables équipements de laboratoire autonome. Aucune date n'est communiquée pour ce travail.

Pour un groupe de recherche, le bénéfice immédiat serait moins d'essais inutiles dans des domaines coûteux comme les catalyseurs et les nouveaux matériaux, où l'équipe s'attend à ce que l'approche réduise les délais et les coûts de développement. Comme les consignes sont rédigées en langage courant, un chimiste sans compétences en programmation pourrait orienter la recherche. Une interface interactive appelée Co-Scientist, que l'équipe a publiée, permet par ailleurs de modifier la direction de l'optimisation en cours de route. La question de savoir si cela tiendra sur des équipements réels, et sur des problèmes très éloignés des deux réactions testées, sera tranchée par les prochaines expériences.