Le labo qui fabrique des matériaux 10x plus vite qu'avant

Pourquoi les matériaux c'est tellement difficile

Quand on dit « matériau », tu penses peut-être juste à la formule chimique. Erreur. Un alliage, c'est la formule + comment tu le mélanges + la température + la durée de recuit + la vitesse de refroidissement. Change un paramètre ? Tu as un matériau différent, avec des propriétés totalement différentes.

C'est pour ça que le drame du LK-99 en 2023 a été un drame. Les ingrédients étaient connus, mais personne n'a décrit précisément comment les fabriquer. Zéro reproducibilité. Et aujourd'hui ? Les scientifiques testent les matériaux un par un, en série. Ça prend des années.

Le labo autonome : IA + robotique en boucle fermée

Radical a construit un système qui fonctionne différemment.

Un « scientifique IA » (pas une simple IA générative) combine :

• ▸Des connaissances en chimie et physique des matériaux
• ▸Des techniques computationnelles (simulation, prédiction)
• ▸De l'intuition scientifique (« quels paramètres tester ensuite ? »)

Cette IA propose des hypothèses : « Testez cet alliage avec ces proportions, à cette température ».

Ensuite, des robots automatisés synthétisent le matériau et le caractérisent (mesure ses propriétés). Et surtout : ils font ça en parallèle, pas en série.

Les données reviennent à l'IA. L'IA réfléchit. Nouvelle hypothèse. Boucle fermée.

Les chiffres qui crèvent l'écran

• ▸1200 alliages synthétisés et testés en 6 mois (vs DARPA/GE qui visait 500/an).
• ▸Estimation : 100 alliages testés et caractérisés par jour (à échelle complète).
• ▸300 nouveaux matériaux proposés par l'IA lors de la première campagne.
• ▸10 avec propriétés inédites, déjà en développement commercial.

Mais le chiffre le plus parlant ? L'IA a exploré des familles d'éléments jamais publiées avant. Elle n'a pas juste optimisé les mêmes alliages que tout le monde. Elle a inventé des chemins nouveaux, parfois parce qu'ils résolvent des pénuries d'approvisionnement critiques.

Le vrai avantage concurrentiel : les données expérimentales

Joseph Krause (fondateur, spécialiste des matériaux de carrière) le dit clairement : « In materials, the ground truth is the material itself. You have to be able to test it and characterize it. »

La vraie propriété intellectuelle ? Pas le modèle. C'est l'accès au labo, à l'automatisation, et à des années de données de vraies expériences. Copie mon algo ? Pas grave. Tu n'as pas mes 1200 alliages testés et caractérisés.

Le contexte géopolitique (et la publication en accès libre)

Krause a passé du temps à Washington avant de fonder Radical. Il sait que la Chine peut monter une usine et passer du labo à la production massive en mois. Les États-Unis ne peuvent pas (ni ne devraient) répliquer ce modèle.

La réponse ? Multiplier la productivité de chaque scientifique américain par 10. Comment ? En donnant des labos autonomes à chaque laboratoire national, et en créant des partenariats public-privé.

Radical a aussi publié en accès libre ses outils internes :

• ▸TorchSim : framework de simulation moléculaire basé sur PyTorch (avec preprint et billet de blog associé)
• ▸MATR : modèles de matériaux sur Hugging Face

Stratégie claire : standardiser les outils, laisser d'autres labos les utiliser, et garder l'avantage sur les données et l'optimisation du système global.