L'IA au lieu des terres rares : une start-up munichoise recherche des aimants fabriqués à partir d'éléments abondants

Qui êtes-vous et d’où venez-vous ?

alqem est une entreprise spécialisée dans la découverte de matériaux qui utilise l’IA pour identifier et commercialiser des aimants haute performance ne reposant pas sur des éléments de terres rares. Notre siège social est situé à Munich et nous disposons d’un centre de recherche au Portugal.

Notre équipe fondatrice dispose d’expertises complémentaires. Je suis cofondatrice et PDG ; avant alqem, j’ai passé quinze ans chez McKinsey, Unilever et OCI Global, et j’ai auparavant dirigé la première initiative du Forum économique mondial en matière d’économie circulaire. J’aborde donc les matériaux sous l’angle de la chaîne d’approvisionnement et de la stratégie. Mon cofondateur, le Dr Tiago Cerqueira, notre directeur technique, est issu de la science computationnelle des matériaux ; il est coauteur d’Alexandria, la principale base de données ouverte sur les matériaux inorganiques, et travaille depuis plus de dix ans sur des flux de travail à haut débit basés sur l’apprentissage automatique et l’intelligence artificielle pour la découverte de matériaux. Quant au professeur Milan Allan, notre directeur scientifique (CSO), il occupe la chaire de physique expérimentale à l’Université Ludwig-Maximilian de Munich (LMU), ce qui nous assure un ancrage solide dans le domaine de la recherche en laboratoire. Autour de ce noyau, nous avons constitué une équipe d’une dizaine de chercheurs titulaires d’un doctorat, et nous bénéficions des conseils de personnalités telles que la professeure Claudia Felser de l’Institut Max Planck de Dresde, le professeur Miguel Marques de Bochum et Michael Viertler, ancien associé gérant senior de McKinsey à Munich et responsable des secteurs de l’automobile et des hautes technologies.

Quel défi alqem permet-il de relever ? Quelle est votre grande vision ?

Presque tout ce qui bouge dans la transition énergétique dépend d’un aimant permanent : par exemple, le moteur d’une voiture électrique, le générateur d’une éolienne, la robotique ou encore les entraînements industriels. Les aimants les plus puissants que nous savons fabriquer nécessitent des éléments de terres rares, et les plus performants ont besoin de terres rares lourdes comme le dysprosium et le terbium pour résister aux températures auxquelles un moteur fonctionne réellement.

Le problème est que cette chaîne d’approvisionnement est extrêmement concentrée. Une seule région domine l’exploitation minière et la quasi-totalité de la transformation. Cela transforme un matériau sans lequel l’industrie européenne ne peut fonctionner en un goulet d’étranglement géopolitique et économique, un phénomène qui s’est considérablement accentué avec les restrictions à l’exportation de ces deux dernières années.

Notre approche consiste à utiliser l’IA pour rechercher des composés magnétiques constitués d’éléments abondants et accessibles, capables de surpasser ou d’égaler les performances des terres rares et, tout aussi important, pour prédire comment les synthétiser concrètement. Les aimants permanents ne sont qu’un début. Nous appliquons la même approche aux matériaux thermoélectriques, qui transforment la chaleur résiduelle en énergie utile.

Notre grande vision est simple : une base de matériaux pour la transition énergétique que l’Europe puisse réellement contrôler, découverte et commercialisée en quelques années plutôt qu’en plusieurs décennies.

Comment cette idée vous est-elle venue ?

L’origine est purement académique. Milan et Tiago se sont rencontrés au sein de SuperC, un consortium de recherche international travaillant à l’un des objectifs les plus difficiles de la physique : un supraconducteur à température ambiante. Ce qui rendait SuperC atypique, c’est que, pour la première fois, il réunissait

la théorie, le calcul, la synthèse et la caractérisation au sein d’un effort unique et coordonné visant à découvrir de nouveaux matériaux.

C’est ainsi que tous deux ont développé une conviction commune en trois points. Premièrement, que l’IA fondée sur la physique est un outil véritablement puissant pour découvrir des matériaux dans des domaines que personne n’a encore explorés. Deuxièmement, que la méthode de travail de SuperC ne devait pas se limiter aux supraconducteurs : la même approche pouvait s’appliquer à des classes de matériaux totalement différentes. Et troisièmement, qu’en dehors du milieu universitaire, avec une orientation claire et les ressources adéquates, tout cela pouvait progresser à un rythme nettement plus rapide.

C’est mon parcours personnel qui a déterminé le choix des matériaux. Quinze années passées dans les secteurs de l’énergie et de la chimie m’ont appris que nous concevons constamment nos projets en fonction des matériaux dont nous disposons, que nous considérons leurs contraintes comme immuables et que nous mettons tout en œuvre pour les contourner. Quand on a observé ce phénomène suffisamment souvent, on commence à percevoir l’inverse : à quel point le progrès technologique est discrètement freiné par les limites des matériaux, et quel potentiel pourrait être libéré si ces limites n’existaient pas. Les aimants sans terres rares, offrant des performances supérieures aux normes actuelles, font partie des matériaux qui recèlent ce potentiel.

À quoi ressemblait votre processus de développement ? Quels ont été les principaux défis et revers ? Quels ont été les plus grands succès ?

Nous avons construit notre plateforme en trois étapes. La première consiste à cartographier l’espace des structures candidates à explorer. La deuxième prédit les propriétés pertinentes – pour les aimants, il s’agit notamment de la magnétisation et de l’anisotropie – afin de classer les candidates. La troisième consiste à prédire la synthèse : comment fabriquer concrètement une candidate prometteuse en laboratoire.

L’un des défis les plus difficiles à relever est le manque de données réelles sur les aimants pour entraîner le modèle. C’est pourquoi notre approche a consisté à combiner la construction d’un ensemble de données d’entraînement ab initio et l’utilisation de nos capacités de synthèse pour valider les données d’entraînement sur un large éventail de systèmes chimiques. Nous sommes particulièrement fiers du niveau de précision que nous avons atteint, de la prédiction à l’expérimentation : nos valeurs prédites s’écartent de moins de 15 % des résultats expérimentaux, ce qui correspond tout à fait à nos attentes.

L’autre défi réside dans la capacité à synthétiser en laboratoire les matériaux prédits. Les difficultés sont doubles : 1) le manque de données expérimentales publiées sur les échecs (un problème que bon nombre de nos pairs reconnaissent également) ; et 2) le fait que nous travaillons sur de nouveaux systèmes qui n’ont jamais été explorés auparavant. À cette fin, nous développons un « scientifique LLM » destiné à nous aider à surmonter ce défi, en particulier sur le point 2) : il permet de formuler les hypothèses les plus fondées, à l’instar d’un chimiste synthéticien, de concevoir des méthodes pour les tester et de tirer des enseignements des résultats (échoués).

Du côté des réussites : nous avons réuni des conseillers de haut niveau, mis en place de véritables capacités de validation plutôt que de nous cantonner à une approche purement in silico (comme mentionné ci-dessus), identifié dans notre pipeline des candidats susceptibles de surpasser les aimants NdFeB et SmCo à tous les égards, y compris en termes de coûts, et obtenu un engagement sérieux de la part de partenaires industriels qui ressentent ce problème de manière aiguë.

Comment le marché et le secteur ont-ils réagi ?

Nous constatons un engagement fort de la part de l’industrie. La réduction des risques liés à la chaîne d’approvisionnement est passée d’une simple diapositive dans un dossier stratégique à une priorité au niveau du conseil d’administration dans les secteurs de l’automobile et de la fabrication industrielle, et cela s’est produit presque en temps réel à mesure que les contrôles à l’exportation se renforçaient. Cela signifiait que les personnes à qui nous nous sommes adressés n’avaient pas besoin d’être convaincues que le problème était réel ou urgent.

Les utilisateurs finaux manifestent un vif intérêt pour tester les nouveaux candidats à mesure qu’ils font leurs preuves dans notre laboratoire. Nous souhaitons collaborer avec des partenaires sélectionnés, en fonction de chaque cas d’utilisation, afin de co-développer les produits en vue de leur commercialisation.

Du côté des investisseurs, l’intérêt est venu de spécialistes des technologies de pointe qui comprennent que les entreprises issues des sciences exactes se distinguent des éditeurs de logiciels, et c’est précisément le type de capital dont elles ont besoin.

Reprendriez-vous ce chemin – ou y a-t-il quelque chose que vous feriez différemment ?

Je le referais sans trop hésiter, d’une part parce que le problème est réel et important, et d’autre part parce que nous sommes en train de constituer une équipe formidable, capable de s’attaquer à tous les problèmes qui se présenteront à nous.

Ce que je ferais différemment, c’est surtout d’aller encore plus vite que ce que nous faisons déjà aujourd’hui.

Que peuvent retenir les autres de l’histoire de votre start-up ?

J’ai trois points à l’esprit.

Premièrement : l’IA est particulièrement puissante lorsqu’elle sert à amplifier une expertise approfondie dans un domaine, et non lorsqu’elle vise à la remplacer. Les équipes qui s’imposeront dans les sciences exactes seront celles qui sauront associer de bons modèles à des personnes qui maîtrisent véritablement la physique et la chimie. Nous avons fondé alqem sur cette conviction.

Deuxièmement : choisissez des problèmes pour lesquels la combinaison de vos parcours constitue un atout. Dans notre cas, nos parcours respectifs de scientifique en informatique, de physicien expérimental et de dirigeant d’entreprise nous aident à tracer la voie pour résoudre un problème pertinent et créer de la valeur.

Troisièmement : soyez honnêtes lorsque vous présentez votre projet ; la plupart des investisseurs sont avisés et savent voir au-delà du jargon et des fanfaronnades.