À l’ENS, l’IA pour la chimie veut apprendre avec moins de données

L’École normale supérieure et Air Liquide ont lancé le 14 septembre à Paris la première chaire de recherche de normalesup.ai. Son programme ne consiste pas simplement à appliquer l’intelligence artificielle à la chimie : il vise notamment à fabriquer des modèles capables d’apprendre avec moins de données et de respecter davantage les lois physico-chimiques.

Le problème est particulièrement sensible en chimie. Pour entraîner une IA à prévoir certaines propriétés moléculaires, le déroulement d’une réaction ou le comportement d’un matériau, il faut des données fiables. Or celles-ci peuvent provenir d’expériences longues ou de calculs quantiques coûteux. Simuler directement une réaction atome par atome devient vite prohibitif dès qu’il faut explorer de longues durées ou de nombreuses configurations.

Au 24, rue Lhomond, l’équipe de chimie théorique de l’ENS travaille déjà précisément sur cette limite. Elle développe des potentiels interatomiques fondés sur l’apprentissage automatique pour approcher la précision des calculs quantiques tout en simulant des phénomènes sur des durées que le calcul quantique direct atteint difficilement. Parmi ses axes affichés figurent explicitement l’apprentissage avec peu de données et l’étude de réactions chimiques par IA.

L’équipe emploie déjà ces méthodes sur des problèmes précis. Elle les a utilisées pour étudier le transport des protons dans l’eau et des réactions liées à la chimie prébiotique. Un projet proposé pour 2026 sous la direction de Damien Laage et Guillaume Stirnemann applique aussi apprentissage automatique et dynamique moléculaire à la réduction électrocatalytique du CO₂. L’objectif est d’identifier l’étape qui ralentit la réaction afin de guider la conception de meilleurs catalyseurs.

Le programme de la chaire annonce trois chantiers : diminuer les besoins en données, intégrer les connaissances de la chimie aux modèles et accélérer la recherche de molécules et de matériaux. Guillaume Stirnemann, chercheur au département de chimie, fait partie de sa direction scientifique. Le cursus 2026-2027 comprend aussi un module de 32 heures intitulé « Machine Learning for Scientific Discovery ».

Chez Air Liquide, ces méthodes correspondent à des domaines de recherche déjà explorés par le groupe. Celui-ci indique utiliser l’IA générative en science des matériaux pour prévoir certaines propriétés avant les essais physiques et développe des molécules destinées notamment aux procédés de fabrication des semi-conducteurs. Aucun de ces travaux n’est toutefois présenté comme le premier projet de la nouvelle chaire.

La chaire reste au stade du lancement : son budget, sa durée, ses effectifs propres et son premier projet scientifique ne sont pas publiés. Elle relie désormais un partenaire industriel à une compétence déjà présente dans les laboratoires parisiens de l’ENS, rue Lhomond, sans qu’un premier programme propre à la chaire ait encore été annoncé.