Sakana AI, start-up basée à Tokyo fondée il y a tout juste un an par deux anciens chercheurs de Google, , a récemment dévoilé “The AI Scientist”, un système entièrement automatisé qui, à partir d’une base de code, est capable de mener des recherches scientifiques de bout en bout, sans intervention humaine. 

Développé en collaboration avec le Foerster Lab for AI Research de l’Université d’Oxford et deux chercheurs de l’Université de la Colombie-Britannique, Jeff Clune et Cong Lu, ce système a été présenté dans l’article “The AI Scientist : Towards Fully Automated Open-Ended Scientific Discovery“.

Une nouvelle approche de la recherche

The AI Scientist repose sur des LLM qui ont déjà prouvé leur utilité dans l’assistance à la rédaction et au codage. Cependant, The AI Scientist va bien au-delà de l’assistance : il est capable d’exécuter l’intégralité du cycle de recherche scientifique : la génération d’idées novatrices, l’écriture du code nécessaire pour tester ces idées, la réalisation d’expériences, l’analyse des résultats, la rédaction d’articles scientifiques suffisamment solides pour être acceptés lors de conférences académiques de haut niveau en apprentissage automatique.

Fonctionnement de The AI Scientist

Le processus commence par une étape de génération d’idées. En utilisant une base de code existante GitHub comme point de départ, The AI Scientist propose diverses directions de recherche. Ces idées sont ensuite comparées à la littérature scientifique existante pour garantir leur originalité, le système utilisant de manière autonome Semantic Scholar pour explorer les publications scientifiques dans le domaine de recherche en cours.

En accédant cette vaste base de données de l’Allen Institute for AI, il peut également identifier les articles les plus pertinents à citer dans ses propres articles, garantissant ainsi que ses publications sont bien contextualisées dans le cadre de la recherche actuelle.

Une fois une idée sélectionnée, l’AI Scientist modifie le code et passe à l’étape de l’itération expérimentale. Il exécute les expériences nécessaires et génère des résultats, qu’il compile sous forme de graphiques et de tableaux. Ces résultats sont ensuite intégrés dans un manuscrit scientifique, rédigé au format LaTeX, dans un style conforme aux normes des conférences de recherche en intelligence artificielle.

Enfin, en utilisant un modèle d’évaluation inspiré des critères des grandes conférences scientifiques, il évalue la qualité des articles générés, avec une précision proche de celle de l’homme, fournissant des retours et améliorant continuellement ses propres idées.

Selon les chercheurs, chaque article généré revient à environ 15 par article.

Premiers résultats et défis actuels

Les premiers articles produits par The AI Scientist sur l’apprentissage automatique ont montré des résultats prometteurs dans des domaines comme la modélisation par diffusion, la modélisation du langage et le grokking. Par exemple, l’article intitulé “Adaptive Dual-Scale Denoising” propose une nouvelle méthode pour équilibrer les caractéristiques dans les modèles génératifs de faible dimension, les pages ci-dessous sont tirées de cet article.

Bien que ces travaux soient encore perfectibles, notamment en termes d’interprétation des résultats et de présentation visuelle, ils montrent déjà un potentiel significatif pour accélérer la recherche scientifique.

Limitations du système

Le système présente plusieurs limites : tout d’abord, il nécessite une base de code préexistante pour fonctionner. Son absence de capacités visuelles signifie qu’il peut produire des graphiques ou des mises en page sous-optimales. De plus, il peut commettre des erreurs critiques, comme une mauvaise implémentation d’idées ou des comparaisons inexactes entre les résultats expérimentaux. Ces deux dernières limitations, bien qu’importantes, sont en cours de résolution avec le développement de versions futures plus robustes.

Implications éthiques et avenir de la recherche

L’introduction de The AI Scientist soulève des questions éthiques majeures. Si l’automatisation de la recherche peut démocratiser l’accès à la production scientifique, elle pourrait aussi entraîner une surcharge des systèmes de révision par les pairs et une baisse de la qualité des publications.

D’autre part, l’évaluateur automatisé, s’il est déployé en ligne par les examinateurs, peut réduire considérablement la qualité des évaluations et imposer des biais indésirables aux articles. Pour les chercheurs, les articles essentiellement générés par l’IA doivent être marqués comme tels pour une transparence totale.

De plus, le système d’IA peut être détourné à des fins malveillantes. Les chercheurs écrivent :

“Par exemple, si on l’encourageait à trouver des matériaux biologiques nouveaux et intéressants et qu’on lui donnait accès à des « laboratoires en nuage » où des robots effectuent des expériences de biologie en laboratoire humide, il pourrait (sans l’intention de son superviseur) créer de nouveaux virus ou poisons dangereux qui nuisent aux gens avant que nous ne réalisions ce qui s’est passé. Même dans les ordinateurs, s’il est chargé de créer de nouveaux logiciels intéressants et fonctionnels, il peut créer des virus informatiques dangereux”.

La découverte de nouveaux matériaux est un processus long et coûteux, qui repose souvent sur des expériences empiriques et des simulations complexes. Pour accélérer la découverte d’électrolytes solides pour les batteries, un domaine de recherche très actif en raison des enjeux environnementaux et économiques liés au stockage de l’énergie, des chercheurs de Microsoft et du Pacific Northwest National Laboratory ont développé une approche innovante qui combine IA et calcul haute performance (HPC) dans le cloud. Leur méthode leur a permis d’explorer un vaste espace chimique et de prédire de nouveaux matériaux stables et fonctionnels, qu’ils ont ensuite synthétisé et caractérisé expérimentalement.

Les électrolytes sont des matériaux qui permettent le transport des ions entre les électrodes d’une batterie. Dans les batteries lithium-ion, utilisées dans une large gamme d’applications, des smartphones aux véhicules électriques, les électrolytes qui transportent les ions entre les deux électrodes de la batterie, l’anode et la cathode, sont liquides, potentiellement inflammables ou toxiques.

Le développement de batteries à électrolytes solides qui offrent des avantages en termes de sécurité, de performance et de durabilité est un objectif majeur des scientifiques des matériaux. Il est d’ailleurs l’objectif du projet ELIAS, porté par Saft et mis en œuvre par un consortium d’acteurs académiques et industriels, lancé en mai 2023 et soutenu par France 2030.

Cependant, il est difficile de trouver des électrolytes solides qui réunissent toutes les propriétés requises, telles que la stabilité thermique, la stabilité électrochimique, la conductivité ionique et la compatibilité avec les autres composants de la batterie.

Pour relever ce défi, les chercheurs de Microsoft et du Pacific Northwest National Laboratory ont utilisé des modèles d’IA pour filtrer plus de 32 millions de candidats selon des critères de stabilité, de bande interdite, de fenêtre de stabilité électrochimique et de diffusivité des ions Li ou Na. Ces modèles d’IA sont basés sur des réseaux neuronaux de graphes, capables de représenter et d’apprendre les propriétés des structures cristallines, comme l’ont démontré récemment les chercheurs de Google DeepMind avec GNoME.

Ils les ont entraînés sur des données issues de calculs quantiques et de bases de données publiques et les ont déployés sur des ressources de calcul dans le cloud, ce qui a permis de réduire le temps et le coût de la découverte de matériaux.

Parmi les candidats filtrés par les modèles d’IA, les auteurs ont sélectionné les plus prometteurs pour les soumettre à des calculs plus précis basés sur la théorie de la fonctionnelle de la densité (DFT) et la dynamique moléculaire ab initio (AIMD). Ces calculs, effectués sur Azure Quantum Elements de Microsoft, qui donne accès à un superordinateur basé sur le cloud et adapté à la recherche en chimie et en science des matériaux, ont permis de confirmer la stabilité et la conductivité des matériaux, ainsi que d’évaluer d’autres propriétés comme la dureté, la densité et le coût. Les chercheurs ont également éliminé les matériaux rares ou toxiques et ainsi identifié 23 candidats finaux, dont 5 déjà connus.

Ils ont ensuite synthétisé et caractérisé les structures et les conductivités de leurs meilleurs candidats. Au lieu d’utiliser soit des ions lithium (Li) soit des ions sodium (Na) comme conducteurs, ils ont choisi une approche peu conventionnelle : les combiner. L’introduction de Li à la place de Na a considérablement amélioré la conductivité ionique dans un nouveau matériau d’électrolyte solide prometteur, Na2LiYCl6, par rapport au matériau parent Na3YCl6. De plus, l’introduction de lithium a entraîné une réduction significative de l’énergie d’activation par rapport au matériau parent, ce qui indique un processus de diffusion ionique plus efficace. Cette amélioration de la conductivité et la réduction de l’énergie d’activation sont probablement dues à la présence des ions Li+ dans le transport ionique, ainsi qu’à des modifications potentielles de la structure cristalline.

Ce nouveau matériau ouvre des perspectives pour la conception de batteries solides polyvalentes. Les auteurs soulignent que l’intégration de l’IA et du HPC dans le cloud permet non seulement d’accélérer la découverte de matériaux, mais aussi de démocratiser le processus de découverte en rendant les ressources de calcul facilement accessibles et reproductibles.

Leurs travaux illustrent le potentiel de l’IA et du HPC dans le cloud pour transformer la découverte de matériaux et favoriser l’innovation scientifique et technologique. Les auteurs envisagent de poursuivre leurs recherches en explorant d’autres espaces chimiques, en affinant leurs modèles d’IA et en validant leurs candidats dans des systèmes de batteries solides. Ils espèrent que leur approche inspirera d’autres chercheurs pour la découverte de nouveaux matériaux avec des propriétés ciblées.

Références de l’article :

“Accelerating computational materials discovery with artificial intelligence and cloud high-performance computing: from large-scale screening to experimental validation” arXiv:2401.04070v1 8/01/2024

Auteurs :
Chi Chen1, Dan Thien Nguyen2, Shannon J. Lee2, Nathan A. Baker1, Ajay S. Karakoti2, Linda Lauw1, Craig Owen3, Karl T. Mueller2, Brian A. Bilodeau1, Vijayakumar Murugesan2, Matthias Troyer1

1 Azure Quantum, Microsoft,
2 Physical and Computational Sciences Directorate, Pacific Northwest National Laboratory,
3 Microsoft Surface, Microsoft.