Un nouvel allié pour les expérimentateurs : CRESt dévoilé

CRESt (Copilot for Real-world Experimental Scientists) est une plateforme conçue pour transformer la découverte de matériaux en combinant modèles multimodaux de grande échelle, optimisation bayésienne enrichie par des connaissances et automatisation robotique. L’idée centrale est de dépasser les approches d’apprentissage actif unimodales, qui exploitent une seule source de données, en intégrant simultanément des informations de composition chimique, de texte et d’images microstructurales pour mieux capturer la complexité expérimentale. Exemple précis : au lieu d’optimiser un catalyseur uniquement à partir de mesures électrochimiques, CRESt relie ces mesures à l’imagerie microstructurale et à des représentations textuelles pour guider des choix de synthèse plus pertinents.

Comment CRESt réduit l’espace de recherche et accélère l’exploration

CRESt emploie une stratégie de réduction de l’espace de recherche basée sur des encodages de connaissances et une stratégie adaptive d’exploration/exploitation (Knowledge-Assisted Bayesian Optimization, KABO). En pratique, cela signifie :

• Pré-filtrage des compositions chimiques plausibles grâce à des embeddings de connaissances (ex. éliminer des combinaisons thermodynamiquement instables).
• Allocation adaptive d’expériences : privilégier les compositions prometteuses tout en testant occasionnellement des options exploratoires.
• Intégration des retours d’expérimentation pour raffiner le modèle en continu.

Exemple : pour un espace octonaire à très haute dimensionalité, CRESt peut réduire significativement le nombre d’essais nécessaires en ciblant d’abord les sous-ensembles chimiquement cohérents.

Automatisation robotique et caractérisation à haut débit

La plateforme couple la prise de décision algorithmique à des pipelines robotiques de synthèse et de caractérisation à haut débit. Concrètement :

• Robots préparent des bibliothèques de catalyseurs multi-éléments selon les recommandations du modèle.
• Mesures électrochimiques automatisées et acquisitions d’images microstructurales sont intégrées au flux de données.
• Les résultats reviennent au moteur KABO pour mise à jour en temps quasi-réel.

Exemple : des séries de synthèses robotisées et de tests électrochimiques peuvent être exécutées nuit et jour, multipliant par ordre de grandeur le débit expérimental par rapport à un laboratoire manuel.

Vision–langage pour la surveillance et la correction d’anomalies

CRESt inclut une surveillance par caméras et des modèles vision–langage qui génèrent des hypothèses diagnostiques pour corriger les anomalies expérimentales. Les bénéfices sont :

• Détection précoce d’échecs de montage ou de dérives instrumentales via analyse d’images.
• Génération d’alertes textuelles compréhensibles par les opérateurs avec suggestions d’actions (ex. recalibrage, nettoyage, répétition).
• Archivage structuré des incidents pour apprentissage futur.

Exemple : si une caméra signale une pulvérisation irrégulière lors du dépôt d’un film, le système propose d’ajuster le débit ou d’interrompre la séquence avant pertes matérielles importantes.

Cas d’application : optimisation électrochimique de l’oxydation du formiate

Appliqué à la réaction d’oxydation du formiate, CRESt a exploré plus de 900 compositions catalytiques et réalisé ~3500 tests électrochimiques en trois mois, conduisant à la découverte d’un catalyseur de référence dans un espace octonaire (Pd–Pt–Cu–Au–Ir–Ce–Nb–Cr). Points clés :

• Large exploration combinatoire guidée par KABO.
• Évaluation systématique du compromis performance/coût (performance spécifique au coût).
• Résultat notable : amélioration de la performance spécifique au coût d’un facteur 9,3 par rapport aux références.

Exemple chiffré : dans un espace à huit éléments où le nombre de combinaisons possibles est astronomique, la stratégie combinée de CRESt a permis d’identifier rapidement une composition optimale sans tester exhaustivement chaque combinaison.

Perspectives et implications pour la découverte de matériaux

CRESt illustre une voie pragmatique pour tirer parti des LMMs et de l’automatisation afin de rendre la découverte matérielle plus rapide, reproductible et moins dépendante d’essais manuels répétitifs. Impacts attendus :

• Accélération des cycles conception–synthèse–mesure pour plusieurs domaines (électrocatalyse, batteries, catalyse hétérogène).
• Meilleure traçabilité et diagnostics expérimentaux grâce aux capacités vision–langage.
• Possibilité d’intégrer d’autres modalités (spectroscopies, diffraction) pour enrichir davantage la prise de décision.

Exemple prospectif : étendre CRESt à la découverte d’anodes/cathodes pour batteries lithium-ion pourrait réduire de façon substantielle le temps nécessaire pour valider des compositions à haute énergie et longue durée de vie.