Le ministère américain de l’Énergie finance l’IA pour accélérer la science

Le département américain de l’Énergie (DOE) a annoncé le 8 octobre 2026 159 millions de dollars pour 12 nouveaux projets de phase II de la Genesis Mission, plus six projets de phase I. L’enjeu est de placer l’IA au cœur de la recherche scientifique, afin d’aider les chercheurs à choisir quoi simuler, construire et tester ensuite. En parallèle, Anthropic a promis 150 millions de dollars sur trois ans pour fournir Claude à plusieurs agences fédérales. Le signal est clair : Washington veut faire de l’IA un outil de laboratoire, pas seulement un gadget de démonstration.

Des projets très différents, une même logique : réduire l’espace des possibles

La sélection couvre un spectre large, de la fusion à la géothermie, des structures d’ARN à la séparation des terres rares, sans oublier les logiciels scientifiques et le calcul quantique. Le fil conducteur tient en une idée simple : quand le nombre d’options explose, l’IA peut servir à réduire le champ d’exploration avant les tests réels. Le DOE parle de “Super Intelligence”, ou SI, mais la formulation mérite prudence [à vérifier] : il s’agit ici d’un portefeuille de recherche, pas d’une preuve qu’un système général a dépassé les capacités humaines.

Dans les faits, le programme finance surtout des systèmes de recherche assistée par l’IA. Une approximation rapide peut proposer un scénario, mais elle doit encore être confrontée à des mesures, des contraintes physiques et des vérifications logicielles. C’est là que se joue la différence entre un résultat qui “ressemble” à de la science et un résultat qui tient dans un laboratoire. Petite nuance utile : une bonne simulation ne remplace pas un aimant, un plasma ou un capteur récalcitrant.

Fusion, géothermie, matériaux : l’IA au contact du réel

Commonwealth Fusion Systems développe un jumeau numérique pour planifier les opérations de SPARC, sa machine de démonstration de fusion. Un jumeau numérique est une représentation informatique d’un système physique, utile pour tester virtuellement des scénarios avant de les tenter en conditions réelles. Selon CFS, des modèles dits “surrogates” peuvent apprendre à partir de simulations physiques coûteuses et explorer plus vite de nombreuses configurations. Le bénéfice attendu est concret : mieux choisir les expériences et limiter les calculs inutiles, sans confondre vitesse et vérité.

Pour la géothermie, l’université de Californie à Irvine pilote MAESTRO, pour Multi-agent AI Expert for Subsurface Reasoning and Optimization, un projet centré sur la cartographie, l’activation et la gestion de réservoirs profonds. Le sous-sol reste un terrain compliqué : chaleur, fluides et perméabilité doivent s’aligner pour qu’une ressource soit exploitable. Là encore, l’IA sert surtout à traiter l’incertitude, pas à l’effacer. Savoir ce qui reste inconnu peut être plus utile qu’une prédiction trop assurée.

Sur les terres rares, l’université de l’Illinois reçoit un financement pour AXIS, qui applique l’IA à des processus électrochimiques de séparation à partir de sources domestiques. L’objectif est de mieux concevoir des ligands redox-actifs, c’est-à-dire des molécules qui participent à des réactions d’oxydoréduction utiles à la séparation chimique. Les critères de succès devront être très terre-à-terre : sélectivité, rendement, consommation d’énergie et comportement dans des mélanges réalistes.

Chips extrêmes et quantique : quand le matériel impose ses règles

Fermilab obtient un soutien pour AXESS, pour Accelerating Extreme Environment Specs-to-Silicon, un projet qui vise des microélectroniques capables de tenir dans des environnements de forte radiation, dans l’espace ou à très basse température. La difficulté n’est pas seulement de dessiner un circuit ; il faut ensuite le fabriquer, le tester et vérifier qu’il survit aux conditions visées. L’IA peut accélérer le passage du cahier des charges au design, mais elle ne dispense pas du banc d’essai.

À Harvard, le projet ASQC combine IA et matériel quantique dans une logique de co-conception application-aware. Autrement dit, l’application, la correction d’erreurs et le matériel sont pensés ensemble. L’université de l’Ohio State et Oak Ridge travaillent aussi sur la conception inverse de matériaux pour les aimants quantiques, avec l’idée de partir du comportement recherché pour remonter vers une structure réalisable. Le quantique adore les belles idées ; il rappelle vite, en revanche, qu’une solution numérique n’est pas forcément physiquement possible.

Un pari sur l’efficacité scientifique, pas sur la magie

Le DOE finance aussi un volet moins visible mais décisif : les outils et les personnes. Le Graduate Fellowship Pilot prévoit jusqu’à 100 doctorants sur quatre ans, avec un passage à la fois en laboratoire ou dans un utilisateur de la mission et dans un cadre industriel. Le département a également annoncé 96 millions de dollars pour 67 chercheurs en début de carrière, sur des domaines allant de l’IA à la fusion en passant par le quantique. Ce type d’investissement compte autant que les modèles eux-mêmes, car une IA scientifique n’est utile que si quelqu’un sait l’intégrer dans un protocole de recherche solide.

Anthropic s’inscrit dans ce mouvement avec Claude Science, 10 000 sièges gratuits ou à tarif réduit pour des chercheurs académiques, et un programme d’AI for Science renforcé. La société dit aussi travailler sur le Model Hardware Standard, une spécification commune pour faire opérer des agents IA sur des instruments de laboratoire en sécurité. La convergence entre grands modèles, supercalculateurs, données spécialisées et instrumentation devient donc un sujet industriel autant que scientifique. C’est là que se jouera le vrai rendement du dispositif : moins dans les promesses générales que dans la capacité à produire plus vite des résultats validés, reproductibles et utiles.