Le laboratoire d’IA de Lila Sciences découvre des catalyseurs à base de palladium pour l’hydrogène vert

Lila Sciences a déclaré le 25 septembre 2026 que son laboratoire dirigé par l’IA avait proposé, synthétisé et testé 2,942 catalyseurs pour l’hydrogène vert en trois mois, identifiant six familles de matériaux à base de palladium pour la réaction d’évolution de l’oxygène acide au cœur de la production d’hydrogène.

L’équipe de recherche a détaillé le travail dans une prépublication soumise à arXiv le 24 septembre 2026 : « Découverte à haut débit guidée par l’IA de catalyseurs à base d’oxyde de palladium, sans iridium ni ruthénium, pour une évolution de l’oxygène acide durable », par Ken J. Jenewein et 20 autres auteurs.

La production d’hydrogène à partir de l’eau nécessite deux demi‑réactions : la réaction d’évolution de l’hydrogène à la cathode et la réaction d’évolution de l’oxygène, ou OER, à l’anode. L’OER se déroule à des potentiels élevés dans des environnements fortement acides qui dissolvent la plupart des métaux. Dans les électrolyseurs commerciaux d’aujourd’hui, l’oxyde d’iridium est le catalyseur le mieux capable de survivre à ces conditions tout en restant actif ; le ruthénium est une option moins stable. Les deux figurent parmi les éléments les plus rares sur Terre, et presque tout l’iridium est produit comme sous‑produit de l’exploitation du platine, à seulement quelques tonnes par an dans le monde.

Le résultat palladium

Lors du criblage de 2,942 oxydes répartis sur 53 systèmes matériels et 26 éléments, la plateforme a commencé à synthétiser et tester des compositions de palladium. Selon l’entreprise, le palladium était considéré comme une impasse pour l’OER parce qu’on supposait qu’il sous‑performait dans des conditions acides. Les candidats du modèle étaient des compositions de palladium modifiées plutôt que le métal pur, de petites ajouts d’autres éléments modifiant le comportement du métal. Au cours de la deuxième campagne et des suivantes, le programme a identifié six familles de matériaux à base de palladium situées sur ou près du front de Pareto pour l’OER, ce qui représente un équilibre optimal entre activité et stabilité.

Après des tests d’activité répétés et plus de 1,000 heures de tests de stabilité, Lila a déclaré que la composition métallique la plus performante était comparable au ruthénium, un catalyseur OER standard de l’industrie. John Gregoire, directeur scientifique autonome de l’entreprise, a indiqué que son ancien groupe au Caltech avait exploré les catalyseurs pour cette réaction pendant 12 ans et qu’il aurait conseillé à un étudiant proposant cette combinaison d’éléments de suivre une voie plus prometteuse. « Cette combinaison défie toute sagesse traditionnelle », a-t-il déclaré dans le compte rendu de l’entreprise du travail. Rafael Gómez‑Bombarelli, directeur scientifique de Lila pour les sciences physiques et professeur associé Paul M. Cook en science des matériaux et génie à MIT, a déclaré que sans confirmation en laboratoire, l’équipe aurait rejeté le résultat comme une hallucination.

La prépublication indique des oxydes complexes sans iridium ni ruthénium tels que InMnPdOx et NiTaPdOx, avec les principaux catalyseurs avancés vers une validation à long terme dans de l’acide sulfurique 1 M à 10 milliampères par centimètre carré. Les auteurs rapportent que NiTaPdOx a fonctionné à un surpotentiel plus faible que PdOx lors des tests à long terme, bien que les deux aient finalement dépassé 0,5 V : PdOx après environ 200 heures et NiTaPdOx après environ 470 heures. InMnPdOx a montré une amélioration similaire du surpotentiel et ce que les auteurs décrivent comme une augmentation spectaculaire de la stabilité opérationnelle, conservant un surpotentiel inférieur à 0,5 V pendant 1,000 heures de fonctionnement.

Les auteurs déclarent que les éléments additifs favorisent la formation d’une nanostructure associée à l’activité catalytique tout en stabilisant le palladium contre la corrosion, et que la plus grande disponibilité du palladium par rapport à l’iridium et au ruthénium constitue une option à court terme pour atténuer les contraintes d’approvisionnement dans la production d’hydrogène électrochimique à grande échelle.

À l’intérieur de l’AI Science Factory

À partir de la fin 2024, l’équipe a construit ce que Lila appelle une AI Science Factory, ou AISF, pour mener des expériences d’électrocatalyse de manière autonome. Le flux de travail fonctionnait comme une boucle fermée à travers quatre étapes : synthèse, caractérisation pré‑test, test et caractérisation post‑test, les données de chaque étape étant renvoyées au modèle d’IA pour orienter les décisions futures. Le modèle de raisonnement interne de Lila associe des modèles bayésiens, qui raisonnent bien en présence d’incertitude, à des modèles de langage dotés d’un large contexte sur le fonctionnement du monde ; Gómez‑Bombarelli a déclaré que l’interaction entre les deux équilibre incertitude et gain d’information.

Chaque cycle débutait avec l’IA analysant l’espace chimique et proposant des recettes pour de nouveaux matériaux. L’électrochimiste Ken Jenewein examinait d’abord les suggestions et en a rejeté quelques‑unes avant d’abandonner son examen ; finalement, un scientifique ne vérifiait que la sécurité des matériaux proposés avant la synthèse. Une fois approuvées, l’AISF a synthétisé 96 catalyseurs en parallèle par dépôt physique en phase vapeur, a contrôlé la qualité de chaque composition, a effectué un criblage accéléré de l’OER en acide mesurant l’activité et la stabilité, puis a renvoyé les matériaux pour une caractérisation post‑mortem.

L’intégration d’un système de gestion de l’information de laboratoire a rendu chaque étape et chaque point de données traçables au cours des campagnes. La première campagne, menée alors que l’infrastructure était encore en cours de développement, a duré quatre mois ; la seconde a duré quatre semaines.

L’entreprise a indiqué que son pipeline a dépisté les catalyseurs 17 fois plus rapidement qu’un laboratoire standard, traitant environ 240 échantillons par semaine avec une capacité maximale de 100 échantillons par jour et économisant plus de 90 % du temps humain par échantillon. Le préprint décrit la plateforme comme dépassant 90 % d’automatisation, intégrant une synthèse combinatoire par pulvérisation, un criblage à haut débit, des modèles d’apprentissage automatique composition‑propriété, une optimisation adaptative multi‑objectifs et un raisonnement contextuel basé sur de grands modèles de langage ; dans le benchmark rétrospectif des auteurs, leur agent d’apprentissage séquentiel a fait progresser la frontière activité‑stabilité plus rapidement que l’optimisation bayésienne à politique fixe ou la sélection de modèle de langage en contexte.

Limites et prochaines étapes

Lila indique que le résultat constitue une découverte en science des matériaux plutôt qu’un produit commercial à grande échelle, et que tout catalyseur OER doit fonctionner à l’échelle industrielle sous des conditions d’exploitation intenses. Gómez‑Bombarelli a déclaré que l’équipe poursuit les tests de durabilité à long terme et évalue, avec l’aide de l’IA et du matériel de laboratoire, le comportement du matériau sous une forme qui ressemble à une utilisation industrielle. Le flux de travail n’est également pas encore totalement autonome : pour cette campagne, des humains ont transféré les échantillons entre les machines tandis que l’entreprise développe la robotique pour une exploitation entièrement autonome.

Lila Sciences, une startup d’IA basée à Cambridge, a été lancée publiquement en mars 2025 avec la conviction que l’IA pourrait exécuter l’ensemble de la méthode scientifique — hypothèse, expérience, interprétation et itération — dans des laboratoires autonomes contrôlés par l’IA. La scientifique senior Fae Habib Zadeh a déclaré que le flux de travail de bout en bout est généralisable à d’autres réactions d’électrocatalyse et d’électrosynthèse, telles que la production d’ammoniac vert ou de précurseurs de plastiques, et que l’équipe mène déjà les prochaines campagnes.