Pourquoi il n'existe pas d'AlphaFold pour les matériaux, l'IA au service de la découverte des matériaux avec Heather Kulik

L'exemple le plus frappant : l'équipe de Kulik a utilisé l'IA pour concevoir de nouveaux polymères quatre fois plus résistants que les versions existantes. Les chercheurs eux-mêmes ont été surpris par les designs proposés, l'IA avait découvert un mécanisme de rupture inédit, purement quantique, que personne n'avait anticipé. Ce genre de résultat illustre une conviction centrale de Kulik : l'IA pour la science fonctionne, mais uniquement quand l'expertise du domaine est profondément intégrée aux techniques d'apprentissage automatique.

Pourquoi la science des matériaux n'a-t-elle pas son équivalent d'AlphaFold ? Kulik identifie deux obstacles structurels. D'abord, les données : contrairement à la biologie où des bases de données massives et fiables existent, les matériaux ne disposent que de datasets bruités issus de calculs DFT (Density Functional Theory), de simples approximations du réel. « Nous avons de très bons datasets pour une chimie très ennuyeuse », résume-t-elle. Ensuite, la complexité intrinsèque : AlphaFold opère dans un espace fini de 20 acides aminés, tandis que les matériaux impliquent chaque élément du tableau périodique, chacun apportant un nouveau jeu d'interactions sans transfert possible d'un système à l'autre.

Pour tester les limites des LLMs en chimie, Kulik a développé un test simple mais révélateur : demander à un modèle de concevoir un ligand contenant exactement 22 atomes lourds. Résultat : Claude et ChatGPT réussissent la tâche en biologie (contexte Kinase), mais échouent systématiquement pour les MOFs (Metal-Organic Frameworks), générant des ligands à 21, 23 ou 24 atomes. Une asymétrie qui suggère que les LLMs raisonnent différemment selon les domaines scientifiques, et que la chimie des matériaux reste un territoire largement inexploré pour l'IA.