Les matériaux en général et les alliages en particulier, omniprésents mais souvent sous‐estimés, jouent un rôle vital dans de nombreux secteurs allant de la santé et de la mobilité à la construction et à l'énergie. Ils sont nécessaires aux transitions numériques et écologiques qui requièrent plus de fonctionnalités et moins d’incidences environnementales et sociétales. Découvrir ou concevoir sur mesure un alliage innovant, possédant le comportement complexe désiré, consiste à identifier la combinaison de briques élémentaires et les conditions permettant d’ajuster précisément leur organisation à différentes échelles.

Il s’agit donc d’explorer un vaste espace de conception, hyper‐dimensionnel. Pour cela, le chercheur a d’abord recours à l’empirisme et à son intuition. Puis, depuis quelques décennies, la simulation numérique, à partir de modèles mathématiques traduisant les lois de la physique, est devenue un oracle informatique fécond bien que limité. Aujourd’hui, nourrie par la quantité spectaculaire de données générées, l’intelligence artificielle a le potentiel de repousser certaines limites et, ainsi, d’accroitre notre capacité d’exploration. Dans cet exposé, j’illustrerai l’ensemble de ces concepts et utiliserai des exemples pour montrer les progrès récents dans le domaine du design d’une nouvelle génération d’alliages dits à haute entropie.

Les progrès des codes de simulation sur base des principes premiers (mécanique quantique et électromagnétisme sans recours aux données expérimentales) et des capacités des supercalculateurs ont donné naissance à l'approche dite des calculs ab initio à haut débit. Cette dernière a permis d'identifier de nombreux nouveaux composés pour diverses applications (par exemple, les batteries au lithium et les matériaux photovoltaïques). Suite à cela, un certain nombre de bases de données sont également devenues disponibles en ligne, donnant accès à diverses propriétés des matériaux, principalement pour des propriétés assez simples à calculer. En effet, pour des propriétés plus complexes (par exemple, des réponses linéaires ou d'ordre supérieur), l'approche à haut débit est toujours hors de portée en raison du temps de calcul requis. Pour surmonter cette limitation, les approches basées sur l'intelligence ont récemment attiré beaucoup d'attention dans le cadre de la conception de matériaux.

Dans cet exposé, je passerai en revue les progrès récents dans le domaine émergent de l'informatique des matériaux qui combine la puissance des calculs ab initio à haut débit et l'intelligence artificielle.

Les matériaux sont au coeur des transitions énergétiques et numériques et ils permettent l’émergence de nouvelles technologies dans de nombreux domaines comme la médecine ou le transport. Dans le contexte actuel, le déploiement de nouveaux matériaux doit répondre à trois contraintes :

• le temps limité fixé par l’urgence des enjeux sociétaux rappelés ci‐dessus,
• la complexité chimique, structurale et morphologique au sein de multi‐matériaux,
• la nécessité absolue de respecter les contraintes environnementales en termes de recours aux matières premières critiques, de durabilité des composants et de recyclabilité.

L’objectif principal du projet DIADEME(*) est d’accélérer la découverte de matériaux en respectant ce triptyque temps/complexité/contraintes environnementales. En réponse à l’appel à projet lancé par le gouvernement dans le cadre du plan France 2030, DIADEME a été sélectionné par un jury international en septembre 2021 parmi la première vague des PEPR(**) exploratoires. Doté d’un montant de 85M€ sur 8 ans, ce projet doit mettre en place les infrastructures nationales nécessaires à la synergie entre science des matériaux et science des données. De manière analogue à ce qui s’est produit dans d’autres domaines scientifiques, il s’agit d’impulser un véritable changement culturel dans la recherche et le développement des matériaux.

Dans la première phase de DIADEME qui est en cours, 17 projets ciblés ont pour tâche principale de mettre en place et de valider l’efficience de plateformes. Ces plateformes concernent la synthèse et la mise ne forme à haut débit, les caractérisations haut débit, la numérisation des matériaux et procédés et l’Intelligence Artificielle. Dans la seconde phase qui commencera en 2024, des appels à projets seront lancés pour la mise en oeuvre de ces plateformes au profit de recherches innovantes. Cette ouverture à l’ensemble de la communauté scientifique s’appuiera sur les groupements de recherches déjà existants, sur les sociétés savantes et sur les suggestions de partenaires industriels.

À l’international, DIADEME a déjà suscité l’intérêt de projets similaires tels que Materials Genome Initiative aux USA, MARVEL en Suisse et FAIRMAT en Allemagne. S’agissant d’une modification majeure des méthodes de recherche, la formation initiale et continue sera un élément central de DIADEME. La dissémination vers le grand public de la démarche et des résultats de DIADEME sera également une préoccupation constante des porteurs du projet.

(*) Dispositifs Intégrés pour l’Accélération du DÉploiement de Matériaux Émergents
(**) Programme et Équipements Prioritaires de Recherche

Les activités et produits industriels sont sujets à des risques qu’il convient de maîtriser afin d’éliminer ou au moins limiter leur impact sur l’homme et l’environnement. L’évaluation des risques industriels repose sur des approches expérimentales et de modélisation qui visent entre autres à caractériser les dangers (éco)‐toxicologiques et physiques des substances chimiques, évaluer les risques associés aux réactions chimiques dangereuses ou encore estimer les conséquences des phénomènes dangereux associés.

Si l’approche expérimentale représente une pièce fondamentale de l’expertise de l’Ineris, depuis la caractérisation en laboratoire jusqu’aux essais à grande échelle, les progrès scientifiques et techniques ont élargi au cours du temps le panel d’outils disponibles par de nouvelles approches méthodologiques complémentaires permettant d’accéder à des informations plus nombreuses, plus rapidement et parfois plus complètes.

Dans ce contexte, les méthodes de machine learning et d’intelligence artificielle ouvrent des potentialités intéressantes que ce soit dans la mise en place de méthodes prédictives et de modélisation ou même dans le traitement et l’exploitation des données issues de campagnes expérimentales.

Cette présentation dressera un panorama des travaux et perspectives de l’apport des nouvelles approches méthodologiques et de l’intelligence artificielle pour l’évaluation et la maîtrise des risques accidentels que ce soit dans un contexte règlementaire ou dans le développement de substances et de procédés intrinsèquement plus sûrs.

La Chimiométrie est née dans les années 80 simultanément en Scandinavie (Norvège et Suède) et aux États‐Unis. Dans la lignée de la Psychométrie et de l’Économétrie auparavant, la Chimiométrie a pour objectif d’analyser et modéliser à l’aide d’outils mathématiques, statistiques et algorithmiques les données issues du domaine de la Chimie au sens large, et de toute l’Industrie des Procédés (Chimie, Pétrochimie, IAA, Pharma, Biotech, Cosmétiques).

L’ensemble des données mesurées au cours du développement des produits et des procédés (R&D), sur des pilotes ou en cours de production sont ainsi collectées, synchronisées, prétraitées et combinées pour tirer toute l’information utile et ainsi mettre au point des outils d’aide à la décision ou au pilotage d’installations, sur la base de la modélisation prédictive. Ces données instrumentales proviennent des mesures réalisées en routine, d’origines et de natures diverses comme des paramètres procédés, des analyseurs en ligne (spectroscopie proche infrarouge, Raman…), ou d’analyses de laboratoire (analyses physico‐chimiques, chromatographie, spectrométrie de masse, RMN…). Toutes ces données ont en commun la particularité de pouvoir être considérées comme des signaux multivariés, au sens statistique du terme (multi‐variables).

Ces dernières années ont vu l’intensification de la génération des données (fréquences d’acquisition et résolutions augmentées, objets connectés / IIoT ‐ Industrial Internet‐of‐Things), ainsi que l’explosion de la puissance et de la vitesse de calcul informatique. Autour de cette dynamique, des concepts comme le Laboratoire du Futur ou l’Industrie 4.0, et même 5.0, ont vu le jour. Plusieurs communautés scientifiques se retrouvent aujourd’hui sous la bannière commune de l’IA et de la Data Science, incluant toute la nouvelle sémantique associée : Big Data, IIoT, Machine Learning, Chimiométrie, Data Analytics…

Ondalys se positionne aujourd’hui comme un acteur majeur dans cette révolution de l’IA depuis maintenant 20 ans. Notre activité et notre expertise nous ont amené à traiter de nombreuses données très diverses et développer un grand nombre de projets et applications pour nos clients industriels dans ce domaine, ainsi qu’à former des centaines de Techniciens, Ingénieurs, Managers ou Chercheurs sur ces outils dans le cadre de la formation continue. Cette présentation vise ainsi à partager l’expérience d’Ondalys plus particulièrement dans le domaine de la formation continue aux outils opérationnels de la Chimiométrie et du Machine Learning.

Le métier d’ingénieur chimiste évolue et requière de nouvelles compétences pour répondre aux besoins des entreprises. En conséquence, les écoles adaptent régulièrement leurs formations. Grâce à une veille constante portant sur l’évolution des profils d’ingénieurs chimistes recherchés, à ses échanges réguliers avec ses alumnis, l’École Européenne de Chimie Polymères et Matériaux (ECPM), école d’ingénieurs de l’Université de Strasbourg, a relevé le besoin de former des ingénieurs chimistes disposant de connaissances et de compétences dans le domaine des sciences des données. À noter que cette expression est en accord avec les perspectives d’évolution du métier d’ingénieur décrit dans le rapport 2020 du Forum Économique Mondial de Davos et avec l’identification lors des discussions avec nos partenaires industriels comme ALYSOPHIL et les industriels du conseil de l’ECPM d’un besoin d’un profil d’ingénieur chimiste positionné au sein de l’entreprise entre les équipes de R&D ou de production, et celles des data scientists. Un ingénieur capable de parler un double langage, chimiste et à la fois compétent en intelligence artificielle (IA). Ainsi, l’ECPM a ouvert dès la rentrée 2019 une 5^e Majeure intitulée « Chimie&IA ». La construction, l’organisation de cette Majeure ainsi que le profil des ingénieurs chimistes formés seront discutés lors de cette présentation.

En parallèle de l’utilisation grandissante d’IAs au sein des entreprises, on observe également l’émergence de ces nouveaux outils au sein des laboratoires de recherche. Deux exemples de développement en cours seront présentés. Un premier concerne l’élaboration de nanoparticules d’oxyde de fer théranostiques pour la nanomédecine, c’est‐à‐dire des nanoparticules capables de combiner, dans une formulation, diagnostic et thérapie pour un traitement efficace et personnalisé des cancers. Des nanoparticules de forme « plaquettes » se sont révélées très prometteuses pour combiner thérapie et diagnostic mais le rendement actuel de synthèse en nanoplaquettes n’est pas assez élevé et les paramètres de synthèse sont nombreux. Les conditions de synthèse pour obtenir un rendement élevé en nanoplaquettes ont été optimisées en utilisant des algorithmes d'intelligence artificielle. Le second exemple illustre l’apport de l’IA dans le domaine des biomatériaux supramoléculaires. La résolution de la structure nanofibrillaire de peptides auto‐assemblés à partir d’images de cryo‐microscopie électronique sera présentée.

En tant que chimistes, l'Intelligence Artificielle (IA) est une opportunité. Elle pourrait bouleverser nos méthodes de travail. L'IA permet la conception de modèles prédictifs, qui guident les chercheurs dans leurs décisions, tel un GPS pour les navigateurs que nous sommes.

Ces algorithmes d'apprentissage intelligents sont spécifiques à chaque question scientifique. Ils sont entraînés avec nos bases de données historiques. Ainsi, automatisation et robotique sont des atouts incontestables pour l'acquisition de bases de données structurées de grande ampleur.

De nouvelles compétences sont à acquérir. Vient alors une étroite collaboration entre chimistes et spécialistes de l'IA. Nous verrons dans cet exposé plusieurs illustrations de la puissance des algorithmes de machine learning pour accélérer la recherche de nouvelles molécules ou voies de synthèse et ainsi dessiner la chimie de demain : une chimie durable.

L’histoire de la découverte de nombreux médicaments fait état d’observations inattendues, d’erreurs qui ont engendré des résultats positifs, d’exploitations de phénomènes et de produits naturels qui ont été modulés ensuite par des processus de transformation chimique longs et fastidieux.

Dans les dernières décennies, la productivité de la recherche pharmaceutique a été grandement améliorée grâce à une meilleure connaissance des processus biologiques responsables du développement de maladies mais aussi des propriétés de drugabilité qu’il est nécessaire de respecter pour pouvoir tester les nouveaux principes actifs dans des modèles pharmacologiques précliniques, chez les patient.es et proposer un nouveau traitement thérapeutique qui soit efficace et bien toléré.

Le processus de la recherche de nouveaux médicaments est désormais très complexe car de nombreux tests doivent être réalisés afin de satisfaire au cahier des charges requis pour la mise en développement. Ainsi des milliers voir des millions de données sont générés au grès des différents projets et capturées dans des bases de données internes voir publiques.

Aujourd’hui, nous utilisons les grandes capacités de calcul d’ordinateurs, des algorithmes d’intelligence artificielle et de machine learning de plus en plus performants (prédictifs) pour analyser ce grand volume de données et d’informations disponibles pour designer plus rapidement des meilleurs candidats au développement clinique. Chez Sanofi, l’émergence de l’intelligence artificielle au profit des projets de recherche se fait grâce à des développements internes (thèses, formations) mais également via des collaborations avec des acteurs majeurs dans le domaine.

L’Intelligence Artificielle est une révolution industrielle qui ouvre de nombreuses possibilités pour le secteur de la parfumerie cosmétique. Grâce à ses algorithmes, elle permet d’automatiser la valorisation des données de production et des données clients pour proposer des approches nouvelles.

L’IA permet d’optimiser le choix de production des ingrédients, de réduire les délais de production et de proposer des innovations plus rapidement en faisant de la prédiction de l’activité des molécules grâce à l’exploitation des données de toxicologie déjà connues.

Pour les consommateurs, ces données sont le nouvel or noir de l’économie et pour la parfumerie cosmétique, elles concernent des données liées à leurs particularités biologiques (carnation de peau, degré de sècheresse ou d’hydratation, émotions, …), mais aussi à son environnement (exposition au soleil, à la pollution…), et également à son mode de vie (alimentation, tabagisme…) qui peuvent avoir un impact sur l’évolution de la peau.

L’exploitation de ces données ouvre la voie pour une cosmétique personnalisée et une expérience client renouvelée qui intègre également l’analyse des émotions et les particularités de chacun. Cette nouvelle offre repose sur des objets connectés, ou des smartphones qui permettent de tester ces paramètres biologiques et environnementaux. À partir des données récoltées, il est alors possible de réaliser des formules à la demande en fonction du besoin immédiat et des particularités de chacun.

Les approches in silico exploitant l'énorme potentiel de l'Intelligence Artificielle (IA) sont de plus en plus utilisées par les chimistes dans leurs travaux de recherche, qu'il s'agisse de guider la synthèse chimique, d'optimiser les paramètres d’une expérience ou d'accélérer la découverte de médicaments, pour ne citer que quelques applications très différentes. Développées à l'origine pour améliorer l'exploration de l'espace chimique (moléculaire) et apporter des réponses plus rapides aux problèmes chimiques étudiés, l'IA et les techniques connexes commencent à impulser activement la recherche et le développement en Chimie. Dans cet exposé, nous décrirons les succès (et certains échecs) de l'application de l'IA à des domaines propres à la Chimie, de la Chimie organique à la Chimie médicinale. En particulier, nous tenterons de répondre à certaines questions récurrentes concernant non seulement la robustesse et la fiabilité des approches d'IA, mais aussi leur rôle dans les développements à venir et leur interaction avec la Chimie « traditionnelle », expérimentale ou non.