Exploitation d'instruments scientifiques avancés par des agents IA qui apprennent en situation

Des machines plus intelligentes pour la science de tous les jours

Les outils scientifiques modernes, des microscopes à rayons X puissants aux laboratoires de chimie automatisés par des robots, peuvent collecter des données plus rapidement que jamais. Mais la mise en service et l'exploitation de ces appareils exigent encore une attention d'expert et des réglages minutieux, ce qui limite qui peut les utiliser et la vitesse à laquelle les découvertes sont réalisées. Cet article explore comment une nouvelle génération d’« agents » d'intelligence artificielle peut apprendre aux côtés des scientifiques humains pour faire fonctionner des instruments complexes de manière plus sûre, plus souple et plus efficace.

Du simple appui sur des boutons à des partenaires d’apprentissage

Les laboratoires avancés automatisent aujourd’hui de nombreuses étapes routinières, mais l’indépendance réelle — planifier des expériences, interpréter des images et décider de la suite des opérations — reste hors de portée. Les auteurs s'appuient sur des grands modèles de langage, du même type d'IA qui alimente les chatbots modernes, et les transforment en agents orientés vers des objectifs capables d’écrire du code, d’appeler des outils logiciels et de réagir à des images et des vidéos. Plutôt que de remplacer les scientifiques, ces agents sont conçus pour fonctionner avec un « humain dans la boucle » : les personnes décrivent ce qu’elles veulent, apportent des corrections si nécessaire, et l’IA mémorise ces leçons pour un usage futur.

Un copilote numérique pour un microscope à rayons X

Le premier banc d’essai est une ligne de faisceau nanoprobe à rayons X durs, une machine qui utilise des rayons X focalisés pour cartographier la structure des matériaux à l’échelle du milliardième de mètre. En raison des risques de radiation, personne ne peut se trouver dans la salle pendant son fonctionnement, et l’ensemble de l’installation est contrôlé par des logiciels et scripts spécialisés. L’équipe connecte plusieurs agents IA à ce système de contrôle. Un agent rédige les commandes nécessaires pour balayer un échantillon ; un autre vérifie le code pour la sécurité et la correction ; un agent de vision analyse les images obtenues pour suggérer où effectuer un zoom pour un examen plus approfondi. Les agents doivent non seulement traduire des demandes en langage courant en commandes de balayage correctes, mais aussi lire de minuscules points lumineux dans des images de diffraction et de fluorescence et convertir leurs emplacements en coordonnées précises pour de nouveaux scans.

Ce que l’IA a bien fait — et où elle a peiné

En comparant plusieurs modèles de langage dotés de capacités visuelles, les chercheurs constatent des différences nettes de performance. Certains modèles excellent à suivre des instructions textuelles et à appeler la bonne fonction, surtout après avoir reçu des exemples et des corrections humaines. D’autres sont beaucoup meilleurs en raisonnement visuel, par exemple pour repérer des particules lumineuses isolées et éviter les amas densément peuplés lorsqu’il s’agit de choisir où scanner ensuite. Le modèle qui se démarque dans cette étude combine les deux forces et présente le comportement le plus cohérent sur des essais répétés. Cependant, les auteurs observent aussi que le retour d’information améliore surtout les compétences basées sur le texte, comme le choix des paramètres ; il ne corrige pas miraculeusement une compréhension visuelle faible.

Apprendre aux robots à conduire leurs propres expériences

Le deuxième banc d’essai est une station automatisée pour la fabrication de films polymères minces, utilisés en électronique et dans les dispositifs énergétiques. Ici, un bras robotique équipé de différentes pinces déplace des fioles, des substrats, des embouts de pipette et un outil d'enduction par lame entre plusieurs postes. Les chercheurs retirent la plupart des routines de haut niveau et ne donnent aux agents que des commandes de bas niveau et une carte indiquant où se trouve chaque élément. L’IA doit lire un article scientifique pour en extraire des conditions d’enduction adaptées, planifier une longue chaîne d’étapes — comme saisir un substrat, le placer dans l’enducteur, dévisser une fiolle, distribuer la solution et l’étaler sous température et vitesse contrôlées —, puis générer et vérifier le code du robot pour exécuter ces opérations. Des superviseurs humains approuvent chaque nouvelle séquence, et leurs corrections sont stockées dans un système de mémoire afin que les agents puissent réutiliser ultérieurement les schémas qui ont réussi.

Vers des laboratoires autonomes

Sur la ligne de faisceau X et la plateforme de fabrication robotique, l’étude montre que les agents IA peuvent apprendre en situation, transformant progressivement les conseils d’experts en savoir-faire réutilisable. Avec une mémoire structurée et des contrôles de sécurité qui limitent ce que l’IA est autorisée à faire, ces systèmes peuvent devenir plus fiables avec le temps tout en laissant les décisions critiques aux mains des humains. Les auteurs soulignent que de véritables laboratoires entièrement automatiques exigeront encore des travaux sur l’étalonnage, la gestion de la mémoire à long terme et la prise en charge des tâches dépendant encore de la dextérité et de l’intuition humaines. Néanmoins, ce travail pointe vers un avenir où les scientifiques passeront moins de temps à lutter avec des commandes complexes et plus de temps à poser des questions ambitieuses, tandis que des partenaires IA aideront à faire fonctionner les instruments qui transforment les idées en découvertes.

Citation: Vriza, A., Prince, M.H., Zhou, T. et al. Operating advanced scientific instruments with AI agents that learn on the job. npj Comput Mater 12, 160 (2026). https://doi.org/10.1038/s41524-026-02005-0

Mots-clés: agents IA, laboratoires autonomes, instrumentation scientifique, expériences robotiques, grands modèles de langage multimodaux