|
9-9 mars 2026 Paris (France)
|
|
Description Résumé de la journée (voir ci-dessous pour le programme et les planches des présentations) AI4Science à Sorbonne Université : vers une « science centaure » Le 9 mars, Sorbonne Université a accueilli la journée de lancement de l’initiative AI4Science au sein de SCAI (Sorbonne Cluster for Artificial Intelligence), réunissant des chercheurs de multiples disciplines, des représentants institutionnels et des partenaires industriels pour explorer comment l’intelligence artificielle transforme la découverte scientifique. Au-delà d’un simple panorama de projets, cette journée a mis en évidence une évolution plus profonde : l’émergence d’un nouveau paradigme de recherche, où l’IA et le raisonnement scientifique sont de plus en plus étroitement imbriqués. Cette transformation a été mise en perspective par deux conférences invitées complémentaires. Karthik Duraisamy a souligné l’essor des modèles de fondation pour les sciences et l’émergence de véritables moteurs de découverte pilotés par l’IA, dans lesquels des modèles à grande échelle, associés à des systèmes d’IA agentique, peuvent explorer des hypothèses, concevoir des expériences et accélérer les processus de recherche. De son côté, Jesse Thaler a introduit le concept de « science centaure », une approche hybride combinant intelligence artificielle et expertise humaine. Faire progresser la science dans ce cadre suppose à la fois d’apprendre aux machines à « penser comme des physiciens » en intégrant contraintes, structures et robustesse, et d’encourager les scientifiques à « penser comme des machines », en adoptant des approches guidées par les données et le raisonnement algorithmique. Ensemble, ces visions esquissent une redéfinition profonde du processus scientifique. Dans les différentes disciplines, les présentations ont montré que l’IA ne se limite plus à accélérer les calculs, mais devient un véritable outil de découverte. En chimie, Jean-Philip Piquemal (LCT) a présenté FeNNix-Bio1, un modèle de fondation basé sur la chimie quantique pour les simulations atomistiques en conception de médicaments, capable de décrire avec précision des interactions moléculaires complexes tout en passant à l’échelle de systèmes de grande taille. En science des matériaux, Marco Saitta (LPENS) a montré comment les simulations enrichies par l’IA et les potentiels interatomiques appris accélèrent la découverte de matériaux pour la transition énergétique et a illustré comment l’écosystème de recherche en intelligence artificielle et en science des matériaux évolue grâce à des consortiums et des initiatives de grande envergure. En biologie, Alessandra Carbone (LCQB) a illustré comment l’apprentissage profond a transformé notre compréhension des protéines, de la prédiction de leur structure à l’analyse de leurs fonctions et interactions à grande échelle. En sciences du climat, Claire Monteleoni (INRIA-ARCHES) a présenté des approches d’IA générative pour la prévision et le raffinement des modèles, combinant haute performance et réduction des coûts de calcul. En astrophysique, Guilhem Lavaux (IAP) a montré comment le couplage entre inférence bayésienne et apprentissage automatique permet d’extraire de nouvelles informations physiques à partir de données observationnelles, dans un contexte où les expériences contrôlées sont impossibles. Enfin, Patrick Gallinari (ISIR) a présenté les avancées en IA « informée par la physique », depuis les opérateurs neuronaux jusqu’aux modèles de fondation pour les systèmes dynamiques, en insistant sur les enjeux de cohérence physique, de généralisation et d’hybridation. Plusieurs tendances fortes se dégagent de ces contributions. D’une part, l’IA est de plus en plus utilisée non seulement pour prédire, mais pour découvrir, en révélant des mécanismes cachés dans des systèmes complexes. D’autre part, les approches hybrides s’imposent, combinant modèles de données, connaissances physiques et simulations. Enfin, de nombreux domaines convergent vers le développement de modèles de fondation pour les sciences, capables de s’adapter à différents systèmes, échelles et applications. Ces avancées soulèvent des enjeux scientifiques, stratégiques et sociétaux majeurs, qui ont été au cœur des deux tables rondes réunissant des acteurs clés du monde académique et industriel, parmi lesquels A. Duval (Entalpic), R. Elie (DeepMind), S. Gigan (LightOn), J.-P. Piquemal (Sorbonne Université et Qubit Pharmaceuticals), G. Biau (Sorbonne Université–SCAI), A. Butter (LPNHE, IML-CERN), K. Duraisamy (University of Michigan), J. Fadili (CNRS-AISSAI), M. Husson (CNRS-LTE) et J. Thaler (MIT), avec des échanges modérés par P. Gallinari et P. Cinnella. Les discussions ont souligné que l’AI4Science ne constitue pas une simple amélioration des outils existants, mais transforme en profondeur la manière dont les questions scientifiques sont posées et explorées. Parmi les enjeux clés figurent le rôle central des données, de la puissance de calcul et des modèles de fondation, la nécessité de garantir la confiance dans les résultats produits par l’IA, ainsi que les risques liés à la concentration des ressources computationnelles. Plus largement, l’IA est de plus en plus considérée comme un nouvel instrument scientifique, soulevant des questions fondamentales sur la reproductibilité, l’interprétabilité et la production des connaissances. Dans ce contexte en rapide évolution, SCAI ambitionne de se positionner comme un hub structurant pour l’AI4Science à Sorbonne Université, en favorisant les synergies interdisciplinaires et en développant des partenariats solides aux niveaux national, européen et industriel. L’initiative vise à accélérer la découverte scientifique assistée par l’IA, à changer d’échelle dans le développement des modèles, et à former une nouvelle génération de chercheurs et d’ingénieurs capables de naviguer entre ces deux mondes : de véritables « scientifiques centaures ». Plus largement, elle contribue à renforcer la position de la France et de l’Europe dans cette transformation. Cette journée de lancement a mis en évidence un constat clair : l’intelligence artificielle n’est plus seulement un outil pour la science. Elle devient une composante essentielle du processus scientifique lui-même. L’enjeu est désormais de structurer cette transformation, sur les plans scientifique, institutionnel et sociétal, afin d’en exploiter pleinement le potentiel.
9:30 - Introduction (P. Cinnella, D'Alembert-SCAI) SLIDES 9:45 - Keynote 1 – Karthik Duraisamy (University of Michigan) "AI-Augmented Discovery Engines: Progress, Opportunities and Emerging Ecosystems" Scientific progress is entering a new phase: one where frontier reasoning models, domain foundation models, classical computational science, scientific instruments and human experts function as a tightly coupled agentic system. The real bar is not benchmark performance, but scientific utility: accelerating validated insight, compressing discovery and design cycles, and narrowing the sim-to-real gap in complex multiscale physics. I will describe recent advancements at the University of Michigan, highlighting (i) expressive, domain-specific foundation models for scientific prediction and inference, and (ii) agentic AI infrastructures that orchestrate tools, data, and HPC workflows for hypothesis generation, verification/ validation, and design optimization, while keeping humans in the loop to set objectives, constraints, and scientific judgment. I will also discuss the ambitious University of Michigan–Los Alamos National Laboratory superpartnership and place these efforts in the broader U.S. AI4Sciencelandscape, spanning public-private partnerships, national-scale infrastructure, and community-building initiatives. I will close by arguing that the next leap will come less from any single breakthrough model and more from the co-design of models, methods, instruments, and institutions. 10:30 - AI4Science at SCAI/Sorbonne Université - AI4Chemistry by Jean-Philip Piquemal (LCT) "A Quantum Foundation Machine Learning Model for Accurate Atomistic Simulations in Drug Design". While artificial intelligence has revolutionized the prediction of static protein structures, characterizing their dynamics and interactions with drug candidates remains a computational bottleneck. Here, the presentation will introduce FeNNix-Bio1 , a foundation machine learning model designed to power accurate, reactive atomistic simulations of biological systems at an unprecedented speed and scalability. Trained exclusively on synthetic quantum chemistry data, it accurately captures complex condensed-phase phenomena such as ion solvation and subtle liquid water properties for which it outperforms state-of-the-art specialized force fields. The presentation will also highlight the links between such methodology an other foundation models found in Biology, Chemistry and Material Science. - AI4Materials by Marco Saitta (LPENS) "Materials for Energy from AI-driven approaches at ENS and in France". SLIDES This presentation highlights recent AI-driven approaches to atomistic simulations in computational materials science and their impact on the study of energy materials, including batteries and supercapacitors. Selected results from our research group at ENS are discussed within the broader context of the French AI–Materials–Energy research ecosystem. - AI4Biology by Alessandra Carbone (LCQB) "Decoding protein function at scale: AI from structures to systems". SLIDES Deep learning has profoundly transformed biology by revealing the structure of the protein universe, with AlphaFold and related models providing atomic-level reconstructions at unprecedented scale. Yet structure is only the beginning. The next grand challenge is functional understanding: determining what proteins do, how they interact, and how they collectively give rise to biological processes.
11:30 Round table 1: AI4Science as a pathway to innovation. Panelists:
12:30–13:45 Buffet lunch 13:45 - Keynote 2 – Jesse Thaler (MIT, IHES): " Centaur Science: Adventures in AI+Physics". SLIDES The mythical centaur (half human, half horse) has become a metaphor for human-AI collaboration. In this talk, I explore what centaur science looks like at the intersection of artificial intelligence and fundamental physics. I share adventures from both directions of this exchange: teaching machines to "think like a physicist" by incorporating physics principles into machine learning frameworks, and teaching physicists to "think like a machine" to maximize discovery opportunities in both experimental and theoretical physics. 14:30 - AI4Science At SCAI/Sorbonne Université - AI4Climate by Claire Monteleoni (INRIA-ARCHES) "Generative AI for Climate Change". Many applications aimed at addressing climate change hinge on fundamental challenges of data fusion, interpolation, downscaling, and probabilistic domain alignment. I will provide a survey of our recent work developing generative AI methods for these problems, with applications including weather forecasting, climate model emulation and scenario interpolation, and renewable energy planning - AI4Astrophysics by Guilhem Lavaux (IAP) "Cosmic scales: integrating Bayesian inference and deep learning to reveal new physics". SLIDES Astronomy confronts the paradox of studying objects we can never touch, while ever‑improving, high‑fidelity data strain our simulation and inference pipelines. In this talk I will showcase several AI breakthroughs—Bayesian‑deep hybrids, neural surrogates, and probabilistic models—and the fresh discoveries they have enabled in exoplanet characterization, galaxy‑scale physics, and cosmological modeling across multiple observational regimes and theoretical frameworks - Physics-aware AI by Patrick Gallinari (ISIR) "AI for Physical Dynamics: From Neural Surrogates to Foundation Models". SLIDES 15:30 - Table ronde 2: AI for Science, Science for AI Panelists:
16:30 - Summary, recommendations, next steps and closing. 17:00 End of program (approx.)
Scientific committee:
|
