L'Intelligence Artificielle est très attendue dans les domaines de la santé, de la mobilité, de la défense, de l'information, de la gestion des ressources naturelles et économiques, de la finance, des jeux, de la création d'images et de textes...

Mais que peut‐elle dans des domaines comme la chimie que l'on imagine plutôt relever de l'industrie « lourde et matérielle » ?

Tentons un point d'étape.

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.