« L’IA contribuera profondément à concevoir le monde matériel de demain »

À l’occasion de la Nuit des données, vous interviendrez sur le thème « Découvrir les molécules et matériaux de demain grâce à l’intelligence artificielle ». En quelques mots, de quoi sera-t-il question et pourquoi avoir choisi ce sujet ?
Guillaume Stirnemann : Nous vivons un bouleversement scientifique majeur : aux trois piliers méthodologiques de l’approche scientifique que sont l’expérience, la théorie et le calcul s’ajoute désormais l’exploitation massive des données. La façon de faire de la science, mais aussi les résultats que l’on peut obtenir, ont radicalement changé en quelques années. En chimie, l’intelligence artificielle a fait une irruption spectaculaire. Aux yeux du grand public, l’IA, c’est ChatGPT et les grands modèles de langage (LLMs). Pour les chimistes non spécialistes, c’est le logiciel Alphafold, qui a révolutionné la prédiction de la structure des protéines et valu à ses créateurs le prix Nobel de chimie en 2024.
Lors de mon intervention à la Nuit des données, je souhaite montrer que l’IA est au cœur de nombreux enjeux de la chimie. Par exemple, elle intervient dans la découverte de médicaments et de matériaux, la conception de catalyseurs ou encore la compréhension fine des mécanismes moléculaires. À travers des exemples concrets, j’illustrerai la manière dont elle change à la fois notre façon de faire de la science et les questions que nous pouvons résoudre.

Vos recherches reposent sur un dialogue constant entre modèles théoriques et chimie expérimentale. Comment ces deux approches se nourrissent-elles ?
Guillaume Stirnemann : Dans mes travaux, l’expérience reste la pierre de touche : elle fournit les observations auxquelles les modèles doivent se confronter. Mais elle ne donne pas toujours un accès direct à l’échelle moléculaire : on ne peut pas « voir » les molécules. Les simulations cherchent donc à reproduire les observables mesurées ; lorsqu’elles y parviennent, elles offrent en quelque sorte un « film » du mouvement des molécules et permettent d’interpréter les mécanismes sous-jacents. Le dialogue est permanent : l’expérience valide ou corrige les modèles, tandis que les modèles suggèrent de nouvelles expériences. L’IA renforce cette boucle en aidant par exemple à analyser les données, à accélérer les simulations et à proposer de nouvelles hypothèses.

« L’une des grandes forces de l’IA est sa capacité à apprendre à partir de grandes quantités de données, puis à explorer des espaces de possibilités immenses. »

Parmi vos travaux figure une question aussi fondamentale que l'origine de la vie. En quoi l'intelligence artificielle ouvre-t-elle aujourd'hui de nouvelles pistes pour explorer cette problématique ?
Guillaume Stirnemann : L’une des grandes forces de l’IA est sa capacité à apprendre à partir de grandes quantités de données, puis à explorer des espaces de possibilités immenses. C’est précisément le défi des origines de la vie : parmi un nombre vertigineux de molécules et de réactions possibles, quels chemins ont pu conduire aux systèmes chimiques complexes du vivant ? La chimie prébiotique cherche justement à retracer cette évolution chimique qui a précédé l’apparition des premiers organismes vivants. Dans ce domaine, l'intelligence artificielle peut aider à identifier les scénarios les plus plausibles et à proposer des expériences pour les tester. Elle ne nous donnera jamais une certitude historique, mais elle permet d’aller bien au-delà de l’intuition seule. Dans d’autres spécialités liées aux origines de la vie, par nature très interdisciplinaires, les apports de l’IA prennent d’autres formes : cela peut être l’analyse d’images bruitées du cosmos, l’attribution de spectres complexes mesurés sur des corps célestes, etc.

Vous développez des méthodes permettant de modéliser des réactions chimiques avec une précision quantitative tout en limitant le coût informatique. Quel rôle l'intelligence artificielle joue-t-elle dans cette recherche d'équilibre ?
Guillaume Stirnemann : Les réactions chimiques sont régies par la physique quantique, qui décrit la rupture et la formation des liaisons. Pour simuler une réaction, savoir, par exemple, ce qu’il advient lorsque l’on mélange deux réactifs, il faut normalement effectuer des calculs très coûteux à chaque étape du mouvement des atomes. L’IA apprend à reproduire le résultat de ces calculs à partir d’un jeu d’entraînement, puis le prédit à une fraction du coût. La situation est bien sûr présentée ici de façon schématique et faussement simpliste, mais c’est l’idée. On conserve ainsi une précision proche du calcul quantique tout en accélérant certaines simulations jusqu’à un facteur 10 000. À cette échelle, c’est comme si un vol Paris - New York de huit heures ne durait plus que trois secondes.

 « [ L’IA ] est peut-être le plus grand défi auquel notre modèle éducatif ait jamais dû faire face »

Vous êtes également référent IA du département de chimie de l'ENS-PSL et enseignant-chercheur. Comment les pratiques de recherche et d’enseignement évoluent-elles avec l'arrivée de l'intelligence artificielle selon vous ?
Guillaume Stirnemann : Pour la recherche, le changement est double. Les grands modèles de langage deviennent des assistants utiles pour explorer la littérature, tester une idée, écrire du code ou alléger certaines tâches administratives, à condition d’en vérifier systématiquement les résultats. Se priver durablement de ces outils deviendra un handicap indéniable. Parallèlement, des méthodes d’IA spécialisées transforment la manière de conduire des expériences et de produire des données de simulation. Le développement de telles approches nécessite une compréhension beaucoup plus approfondie de ce que fait exactement l’IA, et notamment un bagage mathématique certain qui peut rebuter le chimiste. Des initiatives comme la structuration normalesup.ai et le réseau des référents permettent de rapprocher spécialistes et non-spécialistes.

Pour l’enseignement, le défi est immense. Il faut former les étudiantes et étudiants à comprendre et à utiliser ces outils sans leur déléguer leur apprentissage ni leur esprit critique. Nous devons donc repenser les exercices et l’évaluation : apprendre à travailler avec l’IA, mais aussi à en reconnaître les limites. Ces questions ne sont encore pas complètement tranchées dans la façon dont nous devons revoir nos enseignements. C’est un immense défi, peut-être le plus grand auquel notre modèle éducatif ait jamais dû faire face, que ce soit au niveau des études supérieures, mais aussi bien en amont.

Lors de la Nuit des données, qu'aimeriez-vous que le public regarde différemment en sortant de votre conférence ?
Guillaume Stirnemann : J’aimerais d’abord dissiper une double caricature. Pour le grand public, la chimie a une connotation péjorative : c’est le plastique, les pesticides, les édulcorants, le néfaste. Pour certains de nos collègues de sciences considérées comme plus « nobles » telles que les maths ou la physique, la chimie c’est « sale », c’est de la cuisine, une science pas vraiment exacte où on s’amuse en travaux pratiques de lycée ou de classe préparatoire à mélanger des choses pour en faire d’autres. Or la chimie est une science centrale : elle décrit les molécules du vivant, l’air que nous respirons, les matériaux de notre quotidien. Elle a rendu possibles les médicaments, les technologies numériques et une grande partie de nos infrastructures. Je voudrais aussi montrer que l’IA transforme déjà cette discipline et qu’elle contribuera profondément à concevoir le monde matériel de demain.