Le code est libre et disponible en téléchargement .
25 août 2022
L’Acceleration Consortium (AC), le Matter Lab et le Vector Institute se sont associés pour développer Gryffin, un progiciel « prêt à l’emploi » destiné à alimenter le back-end des laboratoires autonomes qui propulseront à terme la prochaine génération d’expérimentation scientifique.
Une révolution de l'intelligence artificielle (IA) est en cours dans le domaine des sciences des matériaux. L'IA et l'apprentissage machine ont le potentiel de bouleverser les processus actuels, à mesure qu'ils s'intègrent au cycle automatisé de conception, de fabrication et d'essai des molécules fonctionnelles et des matériaux avancés grâce à une technologie émergente appelée laboratoires autonomes (SDL).
Alors que les processus traditionnels d'innovation des matériaux sont souvent excessivement lents et coûteux, les SDL (Structured Development Labs) combinent l'IA, la robotique et le calcul avancé pour réduire considérablement le temps et le coût de commercialisation des matériaux, passant de 20 ans et 100 millions de dollars à seulement un an et 1 million de dollars. Gryffin a déjà été utilisé pour piloter plusieurs prototypes de SDL, ciblant diverses applications telles que les matériaux de captation de la lumière, l'optimisation des réactions chimiques et les nanotechnologies.
« La communauté de l'IA à Toronto et au Canada est en plein essor, car les possibilités d'application de l'IA se multiplient dans tous les secteurs », déclare Deval Pandya, directeur de l'ingénierie de l'IA au Vector Institute. « Cette collaboration entre Vector, Matter Lab et l'AC ne sera que la première d'une longue série, à mesure que l'application de l'IA à la découverte se développe et séduit de nouveaux adeptes. L'avenir de la découverte sera numérique et axé sur les données. »
« En adoptant une approche d’innovation ouverte, nous croyons que cette technologie a un potentiel de déploiement à grande échelle plus important et plus rapide », déclare Alán Aspuru-Guzik, directeur du Consortium d’accélération. « Pour inaugurer une ère de “matériaux à la demande”, cette technologie doit être omniprésente et facile d’utilisation. Gryffin nous rapproche de notre objectif : développer un laboratoire autonome, modulaire, abordable et prêt à l’emploi, intégrant non seulement le logiciel, mais aussi les robots de synthèse et de caractérisation. »
Comment ça marche
Grâce à l'intelligence artificielle et à la modélisation informatique, Gryffin prédit quelle combinaison de matériaux ou de molécules possédera les propriétés recherchées (par exemple, la conductivité) avant qu'un laboratoire robotisé ne la synthétise et ne teste ces propriétés. Ces données sont ensuite réinjectées dans le système d'IA afin qu'il puisse apprendre des résultats et générer une nouvelle série de candidats plus performants. Après plusieurs cycles de prédictions, de synthèses et de tests, un candidat se distingue.
Le processus est comparable à la cuisine, une analogie récemment employée par Jason Hattrick-Simpers, directeur adjoint des réseaux de données et de recherche de l'AC, dans le magazine de l'Université de Toronto . Un plat peut être radicalement différent selon l'ordre d'ajout des ingrédients ou selon le mode de cuisson : friture, cuisson au four ou ébullition. En science des matériaux, on rencontre un problème similaire. Il existe une infinité de façons d'assembler ces éléments. « Les logiciels d'optimisation basés sur les données, comme Gryffin, aident les chercheurs à déterminer efficacement la combinaison optimale pour obtenir le matériau souhaité », explique Riley Hickman, l'un des principaux chercheurs du Matter Lab participant au projet. Hickman a travaillé en étroite collaboration avec John Willies, de l'Institut Vector, responsable technique du projet.
En savoir plus sur Gryffin
Gryffin est un cadre d'optimisation généraliste permettant la sélection autonome de paramètres catégoriels (solvant, catalyseur, ligand, etc.) et mixtes (température, durée de réaction, concentration, etc.) grâce à l'expertise. Cet optimiseur bayésien à complexité linéaire utilise une régression à noyau comme approximation, prend en charge nativement l'optimisation par lots et permet de définir des biais intuitifs entre les comportements d'échantillonnage exploratoire et exploitatif. L'algorithme peut aussi exploiter l'expertise sous forme de descripteurs physico-chimiques des options catégorielles afin d'accélérer son optimisation.
- Code source ouvert : https://github.com/aspuru-guzik-group/gryffin
- Documentation : https://gryffin.readthedocs.io/fr/latest
- Tutoriels illustrés expliquant et présentant des cas d'utilisation spécifiques de Gryffin : https://gryffin.readthedocs.io/en/latest/tutorial.html
À propos des partenaires
Fondé en 2017, l’Institut Vector collabore avec l’industrie, les institutions, les jeunes entreprises et les gouvernements afin de promouvoir l’excellence et le leadership en recherche en intelligence artificielle, et ainsi favoriser la croissance économique et améliorer la vie des Canadiens. Vector est financé par la province de l’Ontario, le gouvernement du Canada et des commanditaires industriels : vectorinstitute.ai
Basé à l'Université de Toronto, le Consortium d'accélération (AC) est une communauté mondiale regroupant des universitaires, des représentants gouvernementaux et des industriels qui accélèrent la découverte de nouveaux matériaux et molécules nécessaires à un avenir durable : acceleration.utoronto.ca
Le Matter Lab de l'Université de Toronto accélère la découverte de nouveaux produits chimiques et matériaux bénéfiques à la société grâce à des technologies de pointe comme l'informatique quantique, l'apprentissage automatique et l'automatisation : matter.toronto.edu
L'AC et le Matter Lab sont tous deux dirigés par Alán Aspuru-Guzik, qui est également titulaire de la chaire CIFAR AI et membre du corps professoral du Vector Institute.
