Comment Singapour veut faire passer l’IA du laboratoire aux technologies concrètes

Le laboratoire doit réunir IA, robotique et mesures in situ au sein d’une installation autonome ouverte. Au lieu de s’appuyer uniquement sur des données publiées, il produira des données expérimentales reliant les conditions de synthèse aux performances réelles des matériaux. Ces résultats pourront ensuite améliorer les modèles et orienter les expériences suivantes, formant une boucle de rétroaction entre prédiction et vérification physique.

Le projet vise notamment à multiplier les expériences et à établir des recettes de synthèse pratiques et reproductibles dans plusieurs domaines : matériaux pour des technologies au-delà du silicium ou pour l’informatique quantique, électrocatalyseurs utiles à la production d’hydrogène propre et revêtements résistants à la corrosion.

L’objectif n’est donc pas de produire une simple liste de composés imaginés par l’IA. Il s’agit de démontrer comment les matériaux les plus prometteurs peuvent réellement être fabriqués et évalués.

Des modèles pour explorer les catalyseurs avant les essais

Un autre projet, mené par A*STAR et Imperial, doit développer un modèle fondamental des surfaces et une plateforme en nuage capable de prédire les propriétés des catalyseurs ainsi que leurs conditions de synthèse. Les applications envisagées comprennent les carburants plus propres, les matières premières issues du dioxyde de carbone et les produits chimiques d’origine biologique.

La description du programme mentionne un objectif d’accélération de 500 fois pour le criblage informatique. Il s’agit d’un objectif de sélection numérique, et non de la preuve qu’un carburant ou un procédé chimique final sera développé 500 fois plus vite. De même, les affirmations évoquant une recherche « presque cinq fois plus rapide et moins coûteuse » doivent être interprétées avec prudence si elles renvoient à un indicateur aval distinct. Le critère décisif sera la capacité des catalyseurs sélectionnés par ordinateur à fonctionner lors d’expériences réelles, puis à être intégrés dans des procédés viables.

Vérifier les logiciels générés par d’autres IA

AI4S considère également la fiabilité des logiciels comme un problème de recherche scientifique et d’ingénierie. La NUS et Imperial développent des outils de raisonnement sur les programmes capables d’analyser et de tester du code, de vérifier formellement certaines propriétés et, lorsque cela est possible, d’en démontrer la correction. Les essais doivent porter sur des logiciels à forts enjeux, notamment des protocoles réseau et des composants du noyau Linux.

L’une des applications envisagées consiste à permettre à un système d’IA d’auditer du code produit par un autre système d’IA. Une telle approche pourrait rendre la programmation assistée par IA plus fiable. Elle ne constitue toutefois pas une garantie universelle de sécurité : les méthodes formelles établissent des propriétés précises, dans le cadre d’hypothèses définies. La fiabilité globale dépend encore de la qualité des spécifications, des tests et de l’environnement dans lequel le code fonctionne.

Croiser les données biologiques et cliniques

Dans le domaine biomédical, plusieurs projets cherchent à réunir des données que les chercheurs analysent souvent séparément.

Le projet MultiOmicsFM, porté par la NUS et A*STAR, doit développer un modèle fondamental combinant des données sur l’ADN, l’ARN et l’activité des gènes issues de jeux de données singapouriens couvrant plusieurs groupes ethniques. Les objectifs de recherche comprennent l’étude des risques de maladie ainsi que l’amélioration de la conception et de l’administration de thérapies à ARN messager.

Le projet BloodCounts! suit une autre piste. Il doit mettre au point le modèle DeepCBC en utilisant l’ensemble des paramètres bruts d’une numération formule sanguine, complétés par des images de frottis sanguins. L’ambition est d’extraire davantage d’informations diagnostiques d’un examen courant et d’étudier si ces données combinées peuvent contribuer à prévoir des risques associés à des maladies comme l’accident vasculaire cérébral ou le cancer.

Ces travaux sont des applications de recherche prospectives. Ils ne signifient pas qu’une analyse sanguine courante permet aujourd’hui de diagnostiquer ces maladies. Toute utilisation clinique nécessiterait une validation, un examen réglementaire et des preuves de fiabilité dans les différentes populations et situations de soins concernées.

Des jumeaux numériques pour l’agriculture et la résilience climatique

Un autre projet doit créer des jumeaux numériques agricoles guidés par les connaissances scientifiques pour les terres cultivées d’Asie du Sud-Est. Ces représentations virtuelles doivent combiner des données observées avec des principes agronomiques afin de produire des prévisions et des outils d’aide à la décision pour les semis, l’utilisation des ressources et les chaînes d’approvisionnement.

L’intégration de connaissances scientifiques est importante. Un jumeau numérique qui tient compte des contraintes agronomiques peut être plus interprétable et plus facile à remettre en question qu’une prédiction opaque. Son utilité dépendra néanmoins de la qualité, de la couverture et de l’actualité des données disponibles.

Le portefeuille de huit projets comprend aussi des interfaces conçues par IA pour améliorer le transport de l’énergie. L’ensemble couvre ainsi les matériaux, l’informatique, la génomique, la santé, l’énergie, l’agriculture et la résilience climatique, plutôt que de se concentrer sur un seul secteur commercial.

Une boucle fermée entre modèles et expériences

Le fonctionnement commun aux projets peut se résumer en quatre étapes :

1. L’IA propose des hypothèses, des matériaux, des catalyseurs, des molécules, du code ou des interventions agricoles.
2. Des expériences physiques ou numériques testent ces propositions grâce à des laboratoires automatisés, des mesures, des analyses logicielles ou des modèles adaptés au terrain.
3. Les nouvelles données améliorent le système, afin que les prédictions suivantes reposent davantage sur des résultats observés.
4. Les experts du domaine arbitrent, notamment pour déterminer si un résultat est fabricable, fiable, utile sur le plan clinique ou pertinent pour l’environnement.

Le Materials Data Foundry illustre le plus concrètement cette boucle, puisqu’il doit relier les prédictions de l’IA à la synthèse et à la mesure automatisées. Le même principe se retrouve dans le criblage de catalyseurs, la vérification de logiciels et la modélisation biomédicale : des prédictions plus rapides n’ont de valeur que si elles débouchent sur des preuves dignes de confiance.

Former des scientifiques « bilingues » de la recherche

AI4S est également une stratégie d’infrastructures et de compétences. La NRF veut favoriser les collaborations entre spécialistes de l’IA et chercheurs en science des matériaux, sciences du vivant ou science quantique. L’objectif affiché est de former des chercheurs « bilingues », capables de comprendre à la fois les méthodes computationnelles et les problèmes scientifiques auxquels elles sont appliquées.

Les projets associent des institutions singapouriennes comme la NUS, la Nanyang Technological University (NTU) et A*STAR à des partenaires internationaux tels que l’Université de Toronto, Imperial College London, l’Université de Cambridge et l’Université de Kyoto. Les deux programmes impliquant Imperial sont hébergés par Imperial Global Singapore, au sein du campus CREATE de la NRF, avec une vocation de collaboration et d’accès internationaux.

Cette organisation permet à Singapour de se positionner dans la recherche pilotée par l’IA : financer des projets ambitieux, construire des infrastructures expérimentales et numériques partagées, attirer des partenaires étrangers et former des chercheurs capables de faire le lien entre modèles et laboratoires.

Le vrai indicateur de réussite sera la validation

AI4S ne sera pas évalué uniquement au nombre de prédictions produites par ses modèles. Les résultats les plus convaincants seraient plutôt :

• des recettes reproductibles pour fabriquer des matériaux avancés ;
• des catalyseurs performants dans des conditions réalistes ;
• des outils logiciels capables de démontrer des garanties significatives de correction ou de fiabilité ;
• des modèles biomédicaux validés sur des données et dans des contextes cliniques appropriés ;
• des outils agricoles améliorant concrètement les prévisions ou la planification des ressources.

Avec ses 120 millions de dollars singapouriens, Singapour mise donc sur une IA connectée aux expériences, à la vérification et à l’expertise des chercheurs. Le programme pourrait rendre la découverte scientifique plus systématique et raccourcir le chemin entre une idée et un prototype. Mais sa question centrale reste ouverte : les huit projets parviendront-ils à transformer des prédictions prometteuses en technologies évolutives, sûres et réellement utiles ?