When Literature Data Mislead Artificial Intelligence in Materials Discovery

Imaginez un monde où les scientifiques ne passeraient plus des années en laboratoire à tester un matériau après l'autre. À la place, ils demanderaient à un ordinateur de parcourir des millions d'articles de recherche, de trouver les meilleurs chiffres et de prédire quels nouveaux substances fonctionneront le mieux pour les batteries ou les cellules solaires. C'est la promesse de l'intelligence artificielle dans la science des matériaux. L'idée est que si un ordinateur peut lire chaque expérience jamais publiée, il peut apprendre les règles cachées du comportement de la matière et concevoir les matériaux parfaits pour nos besoins énergétiques futurs. Mais cette vision repose sur une hypothèse fragile : que les chiffres inscrits dans ces vieux articles sont exactement ce qu'ils prétendent être. Si un scientifique écrit qu'un matériau conduit l'électricité avec une certaine intensité, l'ordinateur suppose que ce chiffre est vrai, clair et prêt à l'emploi.

Une équipe de chercheurs de l'Université de Tohoku et de l'Université de Tokyo a découvert que cette hypothèse est dangereusement erronée. Ils ont examiné de près la manière dont les scientifiques rapportent les données pour les électrolytes solides, ces matériaux spéciaux qui permettent aux ions de se déplacer à l'intérieur des batteries de nouvelle génération. Leur enquête révèle que les chiffres extraits de la littérature scientifique sont souvent non seulement légèrement inexacts, mais fondamentalement trompeurs. Le problème n'est pas que les scientifiques originaux ont commis des erreurs, mais que la façon dont ils rapportent leurs résultats est souvent ambiguë. Un chiffre peut être correct dans le texte mais faux dans le graphique, ou les unités peuvent être mélangées d'une manière qui change la valeur par cent. Lorsque les systèmes d'intelligence artificielle saisissent ces chiffres pour construire leurs modèles, ils apprennent inconsciemment d'une réalité déformée, traitant des descriptions vagues comme des faits concrets.

Les chercheurs ont commencé par traiter les articles scientifiques non pas comme des histoires terminées, mais comme des sources de données brutes. Ils se sont concentrés sur la conductivité ionique, une mesure de la facilité avec laquelle l'électricité circule à travers un matériau solide. Cette valeur est cruciale pour décider si un matériau est assez bon pour une batterie. Dans un monde parfait, un chercheur mesurerait cette valeur, l'écrirait et la personne suivante la lirait et l'utiliserait exactement telle quelle. En réalité, le chemin allant d'un carnet de laboratoire à une base de données informatique est semé de pièges cachés. L'équipe a retracé des milliers de valeurs rapportées depuis leurs articles originaux vers des bases de données organisées utilisées pour entraîner l'intelligence artificielle. Ils ont découvert que ce voyage impliquait souvent de deviner ce que l'auteur original avait voulu dire, et ces suppositions étaient fréquemment incorrectes.

Un problème courant que l'équipe a trouvé était une discordance entre le texte et les figures. Un scientifique peut écrire dans le paragraphe principal qu'un matériau possède une conductivité spécifique à température ambiante, mais lorsque les chercheurs ont regardé le graphique réel dans le même article, le point de données pour cette température racontait une histoire différente. Le chiffre dans le texte peut être légèrement plus élevé ou plus bas que celui montré dans le tracé. Pour un lecteur humain, cela pourrait sembler être une petite faute de frappe ou une erreur d'arrondi. Mais pour un ordinateur, qui traite chaque nombre comme un fait précis, cela crée un conflit. L'ordinateur ne sait pas quel chiffre croire. Quand cela arrive à travers des centaines d'articles, la base de données se retrouve remplie d'informations contradictoires qui semblent correctes en surface mais qui sont en fait peu fiables.

Une autre source majeure de confusion était la manière dont les graphiques étaient étiquetés. Les articles scientifiques utilisent souvent des graphiques complexes pour montrer comment la conductivité change avec la température. Ces graphiques ont généralement des axes avec des étiquettes spécifiques, mais parfois ces étiquettes sont vagues ou totalement absentes. Un chercheur peut tracer une valeur sans préciser clairement si elle représente la conductivité brute ou une transformation mathématique de cette valeur. Sans cette clarté, deux personnes différentes lisant le même graphique pourraient extraire deux nombres complètement différents. L'équipe a montré que selon l'interprétation de l'axe, le même point de données pourrait être lu comme une conductivité très élevée ou très basse. Ces différences ne sont pas des erreurs aléatoires ; ce sont des erreurs structurées qui suivent un schéma, ce qui les rend très difficiles à identifier comme fausses pour un ordinateur.

Les erreurs les plus dangereuses concernaient les unités de mesure. En science, la conductivité peut être rapportée dans différentes unités, comme par centimètre ou par mètre. Une différence d'une unité peut changer la valeur par un facteur de cent. Les chercheurs ont trouvé des cas où un article indiquait clairement une valeur dans une unité, mais le graphique ou une entrée ultérieure dans une base de données la traitait comme si elle était dans une autre. Parce que les chiffres semblaient toujours plausibles — ils se situaient dans la plage de ce qui est physiquement possible pour ces matériaux — l'erreur est passée inaperçue. Un ordinateur lisant les données accepterait le mauvais chiffre comme une vérité. Dans un cas spécifique examiné par l'équipe, une valeur a été mal interprétée de telle sorte qu'elle a créé une erreur de cent fois. Cette seule erreur, une fois entrée dans une base de données, a ensuite été copiée et réutilisée par d'autres chercheurs et modèles d'apprentissage automatique, propageant l'erreur comme un virus à travers le registre scientifique.

L'équipe a analysé une grande collection d'articles sur les électrolytes solides, tant à base de gel que inorganiques. Ils ont constaté que les décalages entre texte et figure étaient courants dans les électrolytes de type gel, apparaissant dans environ dix pour cent des articles vérifiés. Pour les matériaux inorganiques, les problèmes étaient encore plus variés, les incohérences d'unités étant le problème le plus fréquent. Dans un échantillon de seize cas inorganiques, les chercheurs ont identifié vingt-cinq instances distinctes d'ambiguïté de rapport. Cela signifie qu'un seul article peut contenir plusieurs types d'erreurs. Les données ont montré que ce n'étaient pas des incidents isolés de négligence, mais un problème structurel dans la manière dont les résultats scientifiques sont communiqués. Même les experts du domaine avaient du mal à interpréter correctement les données sans faire d'hypothèses, ce qui suggère que le problème est profondément ancré dans le système actuel de publication scientifique.

Les chercheurs soutiennent qu'il ne s'agit pas seulement d'un problème pour les bibliothécaires ou les gestionnaires de bases de données ; c'est une crise pour l'avenir de l'intelligence artificielle en science. Les modèles d'apprentissage automatique ne sont aussi bons que les données qui les alimentent. Si les données d'entraînement sont pleines d'ambiguïtés cachées et d'erreurs d'unités, le modèle apprendra les mauvais schémas. Il pourrait prédire qu'un matériau est excellent alors qu'il est en fait inutile, ou il pourrait passer à côté d'un candidat révolutionnaire. L'équipe a découvert que ces erreurs agissent comme une forme de « bruit d'étiquetage structuré ». Contrairement aux erreurs aléatoires qui pourraient se compenser par moyenne, ces erreurs sont cohérentes et systématiques, ce qui signifie qu'elles peuvent biaiser l'apprentissage de l'ordinateur dans une direction spécifique. Le résultat est un modèle qui semble confiant mais qui est fondamentalement erroné.

Pour corriger cela, les auteurs proposent une nouvelle norme pour la manière dont les scientifiques rapportent leurs découvertes. Ils suggèrent que les chercheurs doivent être beaucoup plus explicites sur les détails qui sont actuellement omis. Chaque graphique doit clairement indiquer ce qui est tracé et dans quelles unités. La température à laquelle une valeur a été mesurée doit être exacte, et non simplement décrite comme « température ambiante ». Les auteurs doivent préciser si un nombre a été mesuré directement ou calculé à partir d'une courbe. Ces détails peuvent sembler mineurs ou ennuyeux, mais les chercheurs insistent sur le fait qu'ils sont le fondement d'une science digne de confiance. Sans eux, les données ne peuvent pas être réutilisées en toute sécurité par les ordinateurs ou d'autres scientifiques.

L'étude conclut que la fiabilité des données scientifiques est une question d'infrastructure, tout aussi importante que les algorithmes ou les ordinateurs eux-mêmes. Alors que la science se dirige vers un avenir où les machines aideront à découvrir de nouveaux matériaux, le registre humain de l'expérimentation doit être rendu lisible par machine au sens le plus strict. Cela signifie non seulement avoir des chiffres, mais avoir des chiffres qui sont unambigus, traçables et cohérents. Les chercheurs soulignent que l'amélioration de la qualité des données n'est pas une tâche éditoriale mineure, mais une condition préalable à la prochaine génération de découvertes scientifiques. Si l'entrée est défectueuse, la sortie sera défectueuse, peu importe l'intelligence de l'intelligence artificielle. La voie à suivre nécessite un changement de culture, où la clarté du rapport est valorisée autant que la découverte elle-même, garantissant que le futur numérique de la science soit construit sur une base solide.