Quantitative control and recording of materials-synthesis processes using an automated experimentation platform

La quête de la création de meilleurs matériaux — des alliages plus résistants, des batteries plus efficaces ou des catalyseurs plus intelligents — a longtemps reposé sur un processus humain lent, fait d'essais et d'erreurs. Les scientifiques mélangent des produits chimiques, les chauffent et observent les résultats, espérant tomber par hasard sur une combinaison qui fonctionne. Mais les mains humaines ne sont pas parfaitement stables, et les descriptions humaines telles que « mélanger lentement » ou « ajouter jusqu'à ce que le mélange soit trouble » sont sujettes à interprétation. Le fait qu'un chercheur dise « lentement » alors qu'un autre peut comprendre quelque chose de totalement différent crée un manque de précision qui rend difficile la répétition exacte des expériences, ce qui constitue un obstacle majeur pour le domaine moderne de la science des matériaux axée sur les données. Pour apprendre aux ordinateurs à prédire de nouveaux matériaux, les chercheurs ont besoin de vastes quantités de données de haute qualité où chaque étape de l'expérience est enregistrée avec des chiffres précis. Si les données sont floues, les prédictions de l'ordinateur le seront aussi. Le défi consiste donc non seulement à construire des machines capables de mélanger des produits chimiques, mais à construire des systèmes capables de mesurer et d'enregistrer les détails invisibles du processus que les humains négligent souvent.

Dans une étude récente, une équipe de chercheurs de l'Université de Tohoku au Japon a abordé ce problème en construisant une plateforme simple et open-source conçue pour automatiser le mélange de solutions chimiques avec une précision extrême. Au lieu de viser un robot entièrement autonome capable de concevoir et de mener n'importe quelle expérience à partir de zéro, ils se sont concentrés sur un objectif plus pratique : créer un système fiable capable d'effectuer une tâche spécifique de manière répétitive tout en enregistrant chaque petit détail de sa réalisation. Ils ont combiné des outils du commerce, tels que des bras robotisés et des pipettes électriques, avec des pièces fabriquées sur mesure par impression 3D et un système de caméra. Une innovation clé fut l'utilisation d'un agent d'intelligence artificielle pour écrire le code informatique contrôlant les robots. Cela a permis au système d'être facilement adapté à différentes configurations sans nécessiter une équipe de programmeurs experts. Les chercheurs ont testé cette plateforme en synthétisant le ZIF-8, un type de réseau organométallique, qui est un matériau poreux utile pour le stockage des gaz et la catalyse. L'objectif était de voir si la machine pouvait mieux contrôler le processus de mélange qu'un humain et, plus important encore, si elle pouvait révéler comment des facteurs spécifiques, difficiles à mesurer, affectent le produit final.

L'expérience consistait à mélanger deux solutions liquides pour créer le matériau ZIF-8. Dans un laboratoire traditionnel, un scientifique pourrait utiliser une pipette manuelle pour ajouter la seconde solution à la première. La vitesse à laquelle on presse la poire de la pipette est généralement une question de sensation, décrite dans les carnets de laboratoire seulement comme étant « lente » ou « rapide ». Dans ce système automatisé, les chercheurs ont utilisé des pipettes électriques qui pouvaient être réglées sur neuf niveaux de vitesse distincts, allant d'un versement très lent d'environ dix secondes à un déversement rapide de moins d'une seconde. Ils ont réalisé la synthèse plusieurs fois, alternant entre les réglages les plus lents, un réglage moyen et le plus rapide. Les résultats furent frappants. Bien que la composition chimique de la poudre blanche finale soit la même à chaque essai, la taille des particules changeait considérablement selon la vitesse à laquelle le liquide était ajouté. Lorsque la solution était ajoutée lentement, les particules résultantes étaient plus grandes. Lorsqu'elle était ajoutée rapidement, les particules étaient plus petites. Cette relation était si constante que les chercheurs pouvaient prédire la taille des particules simplement en connaissant le réglage de vitesse utilisé pendant le mélange.

Ce qui a rendu cette découverte possible, c'est la capacité du système à quantifier une variable qui est habituellement ignorée. Dans les expériences manuelles, la vitesse d'ajout est rarement mesurée ou enregistrée ; elle n'est qu'une partie vague de la procédure. Parce qu'elle n'était pas suivie, son effet sur le matériau restait caché. La plateforme automatisée, cependant, a traité la vitesse de distribution comme un nombre précis, au même titre que la température ou le poids. En enregistrant ce nombre à chaque fois, les chercheurs ont pu prouver que la vitesse de mélange était un facteur dominant dans la détermination de la taille finale des particules. Ils ont confirmé cela en mesurant la taille des particules avec des équipements spécialisés et ont constaté que la tendance se vérifiait lors des répétitions. Le système a également capturé des images du mélange lors de sa formation, montrant comment la suspension blanche se déposait différemment selon la vitesse, fournissant ainsi un enregistrement visuel qui correspondait aux données numériques. Ce niveau de détail a révélé que les instructions « lent » et « rapide » dans les anciens manuels de laboratoire contrôlaient en réalité la physique fondamentale de la formation des cristaux, un détail qui était auparavant perdu dans la traduction.

L'étude a également démontré que ce niveau de contrôle et d'enregistrement pouvait être atteint sans construire un super-robot complexe et coûteux. Toute l'installation a été construite à l'aide de composants disponibles dans le commerce et de supports imprimés en 3D, avec tous les fichiers de conception et le code informatique mis gratuitement à la disposition d'autres scientifiques. Cette approche abaisse la barrière pour d'autres laboratoires souhaitant adopter une automatisation similaire. En partageant les plans et le logiciel, les chercheurs espèrent encourager un changement dans la manière dont les expériences sont menées. Au lieu de s'appuyer sur l'intuition d'un expert unique, la communauté scientifique peut évoluer vers des processus standardisés et hautement reproductibles où chaque variable est connue et enregistrée. Les chercheurs ont noté que, bien que le système ne remplace pas entièrement le jugement humain, il a réussi à gérer les tâches répétitives et critiques en termes de précision que les humains peinent à exécuter de manière constante. Cette coopération entre la supervision humaine et la précision de la machine permet de collecter le type de données de haute qualité nécessaires pour entraîner les modèles d'intelligence artificielle à découvrir de nouveaux matériaux plus rapidement et plus fiablement.

En fin de compte, ce travail montre que le chemin vers de meilleurs matériaux ne réside peut-être pas dans des robots plus complexes, mais dans de meilleures données. En transformant des instructions vagues en nombres exacts, les chercheurs ont découvert un lien direct entre la manière dont un produit chimique est mélangé et l'aspect final du matériau. Ils ont prouvé que la vitesse d'ajout d'un liquide n'est pas seulement un détail mineur, mais un levier puissant pour contrôler les propriétés d'un matériau. Cette découverte suggère que de nombreux autres matériaux pourraient avoir des dépendances cachées vis-à-vis de détails de processus qui ont été négligés pendant des décennies. Avec une plateforme capable d'enregistrer ces détails automatiquement, les scientifiques peuvent commencer à construire une bibliothèque complète de la fabrication des matériaux, ouvrant la voie à un avenir où la conception de nouvelles substances sera guidée par des données précises et reproductibles plutôt que par des conjectures. L'étude conclut que l'avenir de la science des matériaux dépend de la capture de toute l'histoire de l'expérience, et pas seulement du résultat final, et que l'automatisation simple et transparente est la clé pour écrire cette histoire clairement.