L’IA en chimie franchit une nouvelle étape avec la création à l’École normale supérieure d’une chaire soutenue par Air Liquide. Pilotée notamment par le chimiste théoricien Guillaume Stirnemann, elle veut développer des modèles capables d’accélérer la découverte de molécules et de matériaux tout en consommant moins de données.
L’IA en chimie devient un nouvel axe stratégique de l’ENS
Air Liquide, l’ENS-PSL et la Fondation de l’ENS ont officialisé le 14 septembre la chaire « Intelligence artificielle pour la chimie et par la chimie ». Il s’agit de la première chaire créée dans le cadre de normalesup.ai, l’initiative interdisciplinaire lancée par l’école en janvier 2026 pour fédérer ses recherches sur l’intelligence artificielle.
Le programme doit rapprocher machine learning, chimie fondamentale et science des matériaux. Trois priorités ressortent : limiter la quantité de données nécessaire à l’entraînement des modèles, intégrer directement les lois physico-chimiques dans leur fonctionnement et accélérer la recherche de nouvelles molécules ou de nouveaux matériaux.
Cette approche vise notamment à contourner une difficulté propre à la chimie. Les données de qualité peuvent exiger des expériences longues ou des simulations quantiques très coûteuses en puissance de calcul. Des modèles mieux informés par la physique pourraient donc explorer beaucoup plus rapidement certains phénomènes moléculaires.
Les agents IA commencent par la chimie théorique
Pour Guillaume Stirnemann, directeur de recherche au CNRS et chimiste théoricien à l’ENS, la transformation commence logiquement dans les domaines où les expériences peuvent déjà être conduites virtuellement. Son équipe utilise des simulations, des outils théoriques et l’intelligence artificielle pour étudier les mécanismes moléculaires.
La chimie théorique offre ainsi un terrain favorable aux agents IA. Contrairement à un simple modèle prédictif, un agent peut enchaîner plusieurs tâches : consulter des données, proposer une hypothèse, lancer un calcul, analyser son résultat puis choisir une nouvelle étape.
Cette évolution ouvre la voie à des systèmes scientifiques plus autonomes. Des travaux publiés ces dernières années montrent déjà que des agents peuvent combiner modèles de langage, outils spécialisés et logiciels de chimie pour planifier ou conduire certaines étapes d’une recherche. Leur autonomie reste toutefois encadrée et ne remplace ni la validation expérimentale ni le jugement du chercheur.
Des molécules et des matériaux découverts plus rapidement
Les ambitions dépassent la simple automatisation des calculs. L’un des enjeux consiste à parcourir d’immenses espaces chimiques afin d’identifier plus rapidement les candidats possédant les propriétés recherchées.
La démarche peut concerner les médicaments, les catalyseurs ou encore les matériaux utilisés dans l’énergie et l’électronique. L’équipe de chimie théorique de l’ENS travaille déjà, par exemple, sur l’utilisation du machine learning et de la dynamique moléculaire pour mieux comprendre la réduction électrocatalytique du CO₂.
Pour Air Liquide, cette capacité présente un intérêt industriel direct. Le groupe utilise déjà l’intelligence artificielle dans ses activités de recherche et considère la technologie comme un moyen d’accélérer l’innovation et la mise sur le marché de nouvelles solutions.
« L’intelligence artificielle transforme en profondeur les processus d’innovation scientifique et industrielle », estime Armelle Levieux, membre du comité exécutif d’Air Liquide.
La chimie pourrait aussi transformer les modèles d’IA
Le nom de la chaire révèle néanmoins une ambition plus large. Il ne s’agit pas seulement de développer de l’IA pour la chimie, mais également de faire progresser l’intelligence artificielle par la chimie.
Les chercheurs veulent notamment concevoir des modèles davantage contraints par les connaissances scientifiques. Cette approche s’écarte en partie des systèmes entraînés uniquement sur d’immenses volumes de données. L’objectif consiste à incorporer des principes physiques et chimiques afin d’obtenir des prédictions plus fiables avec moins d’informations disponibles.
La révolution annoncée reste donc progressive. Les agents IA peuvent déjà prendre en charge certaines recherches documentaires, simulations ou analyses, mais la découverte scientifique exige encore une validation humaine et souvent expérimentale. Guillaume Stirnemann insiste d’ailleurs sur cette complémentarité : l’IA doit se nourrir de « l’expérience et de la connaissance du chimiste ».
La chaire devra désormais démontrer jusqu’où cette association peut aller. Si les modèles parviennent à raisonner avec les contraintes propres à la matière plutôt qu’à seulement apprendre des corrélations, l’IA en chimie pourrait devenir l’un des principaux laboratoires de la prochaine génération d’intelligence artificielle scientifique.
