AI AND HIGHTHROUGH METHODS ASSISTED DESIGN OF POLYMERS

Avec une production mondiale de près de 380 millions de tonnes par an, les matériaux polymères jouent un rôle central dans la société moderne. En effet, ils sont utilisés dans la fabrication d'innombrables produits de la vie quotidienne, ou comme composés plus sophistiqués en médecine, en diagnostic et en chimie fine. Cependant, les contraintes économiques et sociétales nouvelles exigent une conception plus rationnelle et des méthodes alternatives de synthèse, de formulation et de mise en forme des polymères pour répondre aux besoins d'une plus grande durabilité et d'une gestion plus vertueuse de leur fin de vie, tout en maintenant des performances optimales en application. Les matériaux polymères du futur seront l'un des piliers de l'économie circulaire. Ainsi, la découverte de nouveaux polymères entraînera un changement de paradigme et de nouvelles méthodologies pour leur conception, leur transformation et l’évaluation de leurs propriétés à toutes les échelles d’analyse. Le développement récent des méthodes à haut débit (HTP) et d'intelligence artificielle (IA) ouvre d'énormes possibilités pour relever ces défis. Alors que de telles méthodes émergent en chimie, elles n'ont pas encore été mises en œuvre en France dans le domaine de la Science des Polymères.  Le projet de démonstrateur AMETHIST propose, comme preuve de concept, de marier tous ces domaines par l'utilisation combinée des méthodes HTP et AI pour traiter trois études de cas distinctes dans le domaine des polymères. Les questions abordées ont été choisies pour leur pertinence à répondre à des défis scientifiques et sociétaux urgents. Tris études de cas sont menées: 1 - Conception de matériaux polymères à dégradabilité programmable ; 2 - Matériaux organiques-inorganiques à base de polymères, nanocomposites, Composites; 3 – Matériaux polymères biosourcés. Dans chaque étude de cas, chaque type de matériau, la synthèse HTP et la méthode de caractérisation seront mises en œuvre à l'échelle moléculaire, macromoléculaire et des matériaux. Les données issues de l'analyse HTP seront utilisées pour alimenter des approches d'apprentissage automatique afin de déterminer la meilleure combinaison avec les multiples propriétés ciblées. Les matériaux optimisés conçus par l'IA seront fabriqués et évalués.