Le projet ChemAI est l’un des 5 projets labellisés par l’ANR en 2025 et portés par le laboratoire CEISAM. A travers ChemAI, François-Xavier Felpin vise à rendre l’optimisation de réactions chimiques assistée par l’intelligence artificielle (IA) pleinement accessible aux chimistes de synthèse et des procédés, grâce au développement de méthodes permettant d’être plus rapide et plus efficace avec moins de données expérimentales.
La chimie, en particulier la chimie de synthèse, connaît une transformation profonde de ses pratiques avec l’avènement de la robotique, de la chimie en flux, du suivi en ligne et des outils numériques. L’optimisation est l’un des domaines de la chimie de synthèse les plus impactés par la numérisation, car, par nature, elle vise à améliorer les pratiques et processus existants par tous les moyens nécessaires, y compris l’intégration de nouvelles technologies comme la robotique, les réacteurs en flux, le suivi en ligne et l’IA. Pratiquement chaque chimiste de synthèse peut être impliqué dans des processus d’optimisation, que ce soit en R&D pour améliorer une méthodologie ou une synthèse, ou dans le développement de procédés pour la mise en place d’une production industrielle. Cependant, la transition vers la chimie numérique ne s’opère pas aussi facilement qu’espéré, en raison d’une expertise encore limitée et d’une demande croissante en données pour entraîner les modèles d’IA.
Le projet ChemAI vise à transformer l’efficacité de l’optimisation des réactions chimiques assistée par l’IA en : i/ nécessitant moins d’expériences, ii/ fournissant des résultats plus rapides, et iii/ acquérant des données de meilleure qualité. Cela sera réalisé par le développement de solutions innovantes basées sur une perspective originale. Plus précisément, l’équipe de François-Xavier Felpin va :
1. Minimiser la quantité de données expérimentales requises en utilisant l’apprentissage par transfert pour créer un jumeau numérique de l’intuition humaine et en développant des stratégies d’optimisation contraintes qui évitent les expériences inutiles.
2. Accélérer l’analyse des données grâce au développement de méthodes RMN en flux transitoire à haut champ.
3. Obtenir une quantification dans des mélanges complexes en développant des séquences d’impulsions RMN avancées et des stratégies de modélisation.
4. Appliquer ces méthodologies pour développer et optimiser de nouvelles réactions de couplage oxydant catalysées par des métaux. Ces méthodes novatrices rendront l’optimisation assistée par l’IA (du rendement, de la productivité, des coûts, etc.) plus accessible et applicable aux chimistes de synthèse et de procédés, quelle que soit leur formation. Pour atteindre cet objectif, le projet s’appuiera sur deux piliers : les algorithmes bayésiens et la spectroscopie RMN à haut champ. ChemAI permettra de développer des approches bayésiennes plus efficaces en intégrant le transfert de connaissances humaines et bibliographiques, ainsi qu’en définissant des contraintes favorisant des suggestions d’expériences plus pertinentes. Il accélérera également l’apprentissage autonome et l’optimisation grâce à des méthodes en flux transitoire. Ces développements méthodologiques seront intégrés dans une plateforme d’optimisation en flux dédiée à l’optimisation des réactions chimiques.