Cette IA américaine pourrait trouver en quelques heures les alliages capables de survivre à la fusion nucléaire

Passer de plusieurs mois de recherche à quelques heures pour identifier un alliage capable de survivre dans un réacteur à fusion, c’est la promesse de DuctGPT, un nouvel outil développé à Ames National Laboratory aux États-Unis.

Le logiciel combine une approche d’intelligence artificielle et des modèles fondés sur la physique pour accélérer une étape souvent lente, le tri des compositions métalliques qui résistent à la chaleur, aux radiations et aux contraintes mécaniques. Le sujet n’a rien d’anecdotique, les parois internes d’un système de fusion doivent supporter des conditions extrêmes tout en restant fabriquables à l’échelle industrielle. DuctGPT s’inscrit dans une dynamique plus large du Département de l’Énergie américain visant à raccourcir le cycle idée, test, déploiement des matériaux avancés. Et oui, sur le papier, ça peut changer la cadence, mais pas la réalité physique, un alliage calculé reste à produire, à tester, puis à qualifier.

Ames National Laboratory adapte AtomGPT pour créer DuctGPT

Le point de départ, c’est AtomGPT, un modèle initialement développé par le NIST. L’équipe d’Ames a modifié et affiné cet outil pour l’orienter vers les besoins très spécifiques des matériaux de fusion. L’idée est simple à énoncer et compliquée à exécuter, relier des données de science des matériaux à des prédictions utiles sur le comportement d’alliages soumis à des environnements qui cumulent température élevée, irradiation et efforts mécaniques.

Ce qui distingue DuctGPT, c’est le couplage entre IA et modélisation physique. On ne parle pas d’un chatbot qui invente une recette de métal, mais d’un système qui explore un espace de compositions à partir de contraintes demandées par les chercheurs. Concrètement, il peut analyser un très grand nombre de combinaisons d’éléments en quelques secondes, puis proposer des candidats qui correspondent aux paramètres fixés.

Autre aspect mis en avant, l’interface conversationnelle. Les chercheurs posent des questions en langage courant, décrivent une cible, puis l’outil renvoie des compositions possibles. Ce format vise à réduire la friction entre l’intuition d’un métallurgiste et l’exécution informatique. Mais il y a une nuance à garder en tête, l’ergonomie ne remplace pas la validation expérimentale, et le risque, si on l’oublie, c’est de confondre vitesse de sélection et preuve de performance en conditions réelles.

DuctGPT cible la ductilité et la résistance du tungstène

Dans les réacteurs à fusion, le tungstène est souvent cité pour sa solidité et son point de fusion très élevé. Son problème majeur est plus terre à terre, sa faible ductilité à basse température, ce qui le rend difficile à mettre en forme pour des pièces complexes. Or, un matériau parfait sur le papier, mais impossible à fabriquer proprement, finit rarement dans une machine opérationnelle.

Le chercheur Singh, cité par le laboratoire, résume l’enjeu, conserver les qualités du tungstène tout en améliorant sa capacité à être travaillé. DuctGPT permet de requêter un espace de compositions, par exemple des familles de type tungstène-titane-zirconium-hafnium, pour repérer des alliages qui gardent la résistance et la tenue en température, tout en gagnant en ductilité. C’est une approche d’exploration guidée, plus rapide que des itérations manuelles.

Un point très concret est mis en avant, ces requêtes peuvent tourner sur un ordinateur de bureau, sans recourir à des calculs coûteux sur supercalculateur. Et c’est là que le gain de temps se matérialise, le laboratoire parle d’un passage de plusieurs mois à des jours, voire à quelques heures. Mais attention, ce chiffre décrit la phase de découverte et de présélection, pas la campagne d’essais, qui reste longue dès qu’on entre dans la qualification.

ARPA-E CHADWICK et la mission Genesis poussent l’accélération

Le projet est soutenu par le programme ARPA-E CHADWICK, avec des investissements internes du laboratoire. Il s’aligne aussi sur la mission Genesis du Département de l’Énergie, qui vise à accélérer la découverte et le déploiement de matériaux avancés pour l’énergie. Derrière ces noms, il y a une logique industrielle, réduire le temps entre la recherche fondamentale et des composants utilisables dans des systèmes énergétiques.

Cette accélération des matériaux se retrouve dans d’autres annonces récentes autour de la fusion, notamment la montée en puissance d’acteurs privés. Un exemple marquant est le partenariat entre Inertia Enterprises et Lawrence Livermore National Laboratory, annoncé comme un moyen de réduire le temps nécessaire aux innovations pour une centrale commerciale. Dans ce paysage, DuctGPT joue un rôle plus discret mais central, sans matériaux adaptés, pas de machine durable.

La conséquence attendue est une meilleure cadence de sélection d’alliages candidats, donc plus de pistes testées pour un budget donné. Mais il faut garder une critique en tête, l’outil dépend de données et de modèles, si l’espace d’entraînement ne couvre pas certains comportements sous irradiation ou en fatigue thermique, les prédictions peuvent être trop optimistes. La fusion a déjà vu passer des promesses rapides, la différence se fera sur la répétabilité des résultats et la capacité à transformer ces candidats en pièces installables.