En laboratoire, le chemin vers la découverte est souvent une route longue et sinueuse faite d'essais et d'erreurs. Un physicien installe une expérience délicate, ajuste un cadran, attend un signal, puis interprète le résultat. Si le signal est faible ou si l'équipement se comporte étrangement, le chercheur doit décider s'il doit modifier les réglages, changer la théorie ou tout recommencer. Ce processus repose largement sur l'intuition humaine, des années de formation et la capacité à repérer quand quelque chose ne va pas. Mais qu'en serait-il si un chercheur disposait d'un partenaire infatigable capable de lire chaque manuel, de lancer des milliers de simulations en un après-midi et de ne jamais manquer un minuscule détail ? C'est la promesse de l'intelligence artificielle dans la science. Cependant, donner les clés d'un laboratoire de physique à un ordinateur n'est pas aussi simple que de lui demander de résoudre un problème. Les ordinateurs peuvent inventer des faits, se perdre dans leur propre logique ou suggérer des actions dangereuses s'ils ne sont pas guidés avec soin. Le défi n'est pas seulement de construire une machine intelligente, mais de construire une machine qui pense comme un scientifique : une machine qui est honnête sur ses erreurs, qui vérifie son propre travail et qui sait quand demander de l'aide.

Une équipe de chercheurs de l'Université du Maryland a relevé ce défi en créant une nouvelle façon pour les humains et l'intelligence artificielle de travailler ensemble. Ils n'ont pas simplement programmé un ordinateur pour écrire du code ou lancer des simulations ; ils ont au contraire construit un environnement structuré appelé PhysKit, conçu pour transformer un modèle de langage étendu en un assistant de recherche collaboratif. Voyez ce système comme un ensemble de règles strictes et d'outils utiles qui guident l'ordinateur à travers la méthode scientifique. L'ordinateur n'est pas autorisé à deviner ; il doit suivre un processus étape par étape où il propose une idée, la teste, vérifie les résultats pour détecter des erreurs, puis rend compte au chercheur humain. L'humain reste le capitaine, fixant les objectifs et prenant les décisions finales, tandis que l'ordinateur agit comme un moteur puissant capable d'explorer les possibilités bien plus rapidement qu'une personne seule. Ce partenariat permet à l'équipe de mener des campagnes en « boucle fermée », où l'ordinateur travaille de manière autonome pendant des heures ou même des jours, itérant sur des solutions jusqu'à trouver la meilleure réponse, tout en tenant un registre parfait et organisé de chaque étape franchie.

L'équipe a testé cette approche avec six expériences différentes, allant de la conception de nouveau matériel à l'analyse de données complexes. Dans un cas, ils ont demandé à l'ordinateur d'améliorer un réseau neuronal, un type de logiciel utilisé pour reconstruire des images de courants électriques à partir de mesures magnétiques. L'ordinateur a analysé la conception existante, a essayé des milliers de variations et a découvert une nouvelle architecture qui a réduit les erreurs de trente-trois pour cent. Il y est parvenu en trouvant une manière plus efficace de traiter les données, en utilisant moins de ressources informatiques tout en produisant des résultats plus clairs. Dans une autre expérience, l'équipe voulait comprendre comment un défaut spécifique dans un matériau bidimensionnel appelé nitrure d'hexagonal de bore se comporte lorsqu'il est frappé par la lumière. Les scientifiques utilisaient un modèle standard pour décrire ce comportement, mais celui-ci ne correspondait pas parfaitement aux données. L'ordinateur a examiné les données et a proposé un nouveau modèle plus complexe avec onze niveaux d'énergie au lieu des sept ou neuf précédents. Ce nouveau modèle correspondait beaucoup mieux aux données expérimentales et prédisait le comportement du matériau sous différentes conditions de manière plus précise que toute tentative antérieure.

Le système a également prouvé sa valeur dans le monde physique, et pas seulement dans les simulations. Les chercheurs ont utilisé l'ordinateur pour concevoir un dispositif micro-onde nécessaire au contrôle de capteurs quantiques. L'ordinateur a dû équilibrer de nombreuses exigences contradictoires, telles que la création d'un type spécifique d'onde tout en respectant les limites de puissance de leur équipement. Il a produit un design prêt à être construit qui respectait toutes leurs strictes contraintes expérimentales. Dans un test plus direct de contrôle de matériel, l'ordinateur a aidé à la mise en service d'un spectromètre de résonance magnétique nucléaire, un appareil utilisé pour détecter les champs magnétiques. Partant d'un état non calibré, l'ordinateur a mené une série d'expériences sur la machine réelle, ajustant les paramètres et analysant les résultats jusqu'à atteindre une précision de fréquence d'environ un hertz. C'est un niveau de précision qu'un expert humain mettrait typiquement plusieurs jours à atteindre, mais l'ordinateur l'a fait en un peu plus de vingt heures. Enfin, l'équipe a utilisé le système pour analyser les données d'un réseau de glace de spin artificielle, un matériau composé de minuscules îlots magnétiques. L'ordinateur a réussi à reconstruire l'état magnétique de chaque îlot de l'ensemble à partir d'images floues, une tâche qui n'avait jamais été réalisée auparavant avec ce type de données.

Ce qui rend ces résultats significatifs n'est pas seulement que l'ordinateur a trouvé des réponses, mais la manière dont il les a trouvées. Le système a été conçu pour être honnête. Si une solution proposée semblait bonne sur le papier mais échouait à un test spécifique, l'ordinateur la rejetait. Il tenait un journal détaillé de chaque hypothèse faite et de chaque morceau de code écrit, garantissant qu'un humain puisse toujours remonter la trace de la manière dont un résultat a été obtenu. Les chercheurs ont constaté que l'ordinateur était particulièrement doué pour repérer quand il faisait fausse route. Par exemple, dans l'étude des matériaux, l'ordinateur a testé plus d'une centaine de structures de modèles différentes. Il en a trouvé plusieurs qui semblaient prometteuses, mais il les a écartées car elles ne parvenaient pas à prédire correctement les données futures ou parce qu'elles violaient les lois physiques fondamentales. Il n'a sélectionné le modèle final qu'après avoir passé tous les contrôles, y compris des tests où l'ordinateur devait prédire des données qu'il n'avait jamais vues auparavant. Cette approche rigoureuse a empêché le système de tomber dans le piège consistant à simplement mémoriser les données ou à inventer des chiffres pour paraître performant.

Le succès de ces expériences suggère une nouvelle façon de faire de la science. Au lieu de remplacer les chercheurs humains, ce type d'intelligence artificielle agit comme un multiplicateur de force. Elle gère le travail répétitif et chronophage de test des idées et de vérification des calculs, libérant ainsi le scientifique humain pour qu'il puisse se concentrer sur la vision globale et les décisions de jugement difficiles. L'ordinateur peut mener des expériences pendant que le chercheur dort, ou il peut explorer un vaste paysage de possibilités qu'il serait impossible de naviguer à la main. Mais cela fonctionne mieux lorsqu'il existe un partenariat clair. L'humain fixe les limites, définit les objectifs et fournit le contexte que l'ordinateur ne peut connaître par lui-même, comme les particularités spécifiques d'un équipement ou les contraintes subtiles d'un système physique. L'ordinateur, en retour, apporte un niveau de cohérence et de vitesse qui transforme le processus de recherche.

Les chercheurs soulignent qu'il ne s'agit pas d'un système entièrement autonome qui rédige des articles ou fait des découvertes de son propre chef. C'est un outil qui nécessite la présence d'un humain dans la boucle, pour vérifier les résultats et s'assurer que la science reste rigoureuse. Le système est conçu pour être adaptable, apprenant de chaque projet pour améliorer son propre cadre de travail. À mesure que l'équipe continue d'utiliser PhysKit, elle prévoit d'ajouter de nouvelles compétences et de raffiner le processus, afin de le rendre encore plus efficace pour un éventail plus large de problèmes scientifiques. L'objectif ultime est de créer une méthode standard pour que les scientifiques travaillent avec l'intelligence artificielle, en veillant à ce que la technologie soit utilisée de manière responsable et efficace. En combinant l'expertise humaine avec la puissance de calcul de ces agents, l'équipe a démontré qu'il est possible d'accélérer la découverte sans sacrifier la rigueur et l'honnêteté qui sont les fondements de la science. Les résultats ne sont pas seulement plus rapides ; ils sont meilleurs, menant à de nouveaux modèles, de meilleurs dispositifs et une compréhension plus profonde du monde physique.