Lorsque les chercheurs font une nouvelle découverte, ils ont tendance à ne publier que les résultats de leurs expériences réussies. Mais tout aussi informatives sont toutes les expériences qui n'ont pas fonctionné - les essais ratés et les hypothèses incorrectes, qui peut offrir des informations importantes. Une équipe de chimistes de l'EPFL a développé une méthodologie pour collecter ces enseignements et, de manière cruciale, les partager avec d'autres chercheurs.

Une nouvelle découverte est rarement le résultat d'une expérience réussie. Plutôt, il est généralement né d'un long processus d'essais et d'erreurs – combiné à une bonne dose d'intuition que les scientifiques ont affinée au fil des ans. Mais le partage des connaissances sur les tentatives infructueuses pourrait faciliter la recherche pour tout le monde, notamment dans le domaine de la synthèse chimique. C'est ce qu'une équipe de chimistes du Laboratoire de simulation moléculaire (LSMO) de l'EPFL a récemment montré dans un article paru dans Communication Nature

LSMO, basé à Sion, est spécialisée dans la synthèse et la simulation de structures métallo-organiques (MOF) – un type particulier de composé découvert il y a une vingtaine d'années. Les MOF sont constitués d'ions métalliques liés par des molécules organiques pour former des cristaux 3-D. Parce que leurs molécules peuvent être combinées d'un nombre presque infini de façons, Les MOF offrent des opportunités prometteuses dans un large éventail d'applications. Les chimistes du LSMO étudient les MOF capables d'absorber le CO2 afin de développer un système permettant d'éliminer ce puissant gaz à effet de serre de l'atmosphère.

Le problème est que le développement de nouveaux MOF nécessite une énorme quantité de temps et d'énergie. Ce type de synthèse chimique implique l'optimisation de nombreuses variables différentes - composition du solvant, Température, et temps de réaction, pour en nommer quelques uns. Et plus il y a de variables, plus le nombre de combinaisons possibles est élevé; les chercheurs peuvent facilement se retrouver avec des millions d'expériences à réaliser pour n'aboutir qu'à un seul MOF. Quoi de plus, les liens chimiques et les processus d'assemblage sous-jacents à la formation des MOF ne sont pas encore totalement compris, ce qui signifie qu'il n'y a pas encore de principes de base que les chimistes peuvent suivre. Ils doivent essentiellement repartir de zéro à chaque fois.

10 milliards de jours

"C'est là qu'intervient l'intuition, " dit Berend Smit, chef du LSMO. "Avec nos recherches, nous voulions tirer parti de la technologie d'apprentissage automatique pour développer une méthode systématique permettant de quantifier les leçons tirées de l'expérience antérieure."

Son équipe a pris comme exemple un MOF bien connu des scientifiques :HKUST-1. Sa structure cristalline peut varier en fonction du groupe chimique utilisé pour le synthétiser. Pour mesurer à quel point l'intuition joue un rôle dans la synthèse du bon type de matériel, les chimistes du LSMO ont d'abord utilisé une méthode qui ne repose pas du tout sur l'intuition - un synthétiseur robotique haute performance. Leur synthétiseur a traité pas moins de neuf variables différentes pour désosser le processus et compiler toutes les expériences de synthèse échouées possibles pour une molécule HKUST-1.

"Notre robot peut effectuer environ 30 réactions chimiques par jour. Mais même avec ce niveau de débit élevé, il faudrait encore près de dix milliards de jours pour parcourir toutes les combinaisons de réactions possibles. Ainsi, les chercheurs travaillant dans des conditions normales, c'est-à-dire sans robot – il faut clairement se fier à son intuition pour écarter un grand nombre de combinaisons possibles et se concentrer sur les plus prometteuses, " dit Kyriakos Stylianou, responsable de la synthèse chimique au LSMO.

En d'autres termes, qu'ils s'en rendent compte ou non, les chercheurs qui réalisent plusieurs expériences – réussies ou non – ont une idée de ce qui fonctionnera et de ce qui ne fonctionnera pas. Ce « instinct » leur indique quelles variables pourraient avoir la plus grande influence sur le résultat d'une réaction chimique. Par exemple, si un scientifique découvre que la modification de la température de réaction modifie les résultats de son expérience, même légèrement, alors il sera plus susceptible de se concentrer sur la variable de température.

Convaincre la communauté scientifique

La méthode d'apprentissage automatique développée par le LSMO a permis aux chimistes non seulement de quantifier l'intuition des chercheurs, mais aussi programmer leur robot pour effectuer des réactions de synthèse plus efficacement. C'est important parce qu'environ 1, 000 nouveaux MOF sont développés chaque année, et derrière chacun se trouvent entre 10 et 100 tentatives infructueuses. Ces erreurs contiennent des informations importantes et potentiellement utiles pour des recherches ultérieures par toute personne travaillant dans le même domaine. Grâce à la méthode développée au LSMO, ainsi que la plateforme mise à disposition dans le cadre du programme PRN MARVEL de la Suisse, les leçons apprises peuvent être compilées et partagées.

"Maintenant, nous devons convaincre les scientifiques de s'ouvrir et de parler de leurs expériences infructueuses. Si nous sommes capables de le faire, nous pouvons changer radicalement la façon dont la recherche chimique est effectuée, " dit Smit.