Une jeune entreprise parisienne, Entalpic, applique des réseaux de neurones à la découverte de catalyseurs industriels. Sa cible initiale est la synthèse d’ammoniac, pilier des engrais azotés et gros consommateur d’énergie. Son approche illustre une bascule de la chimie vers des méthodes nées de l’intelligence artificielle académique.

Fondée en 2024 par trois profils venus du Québec et de la santé numérique, Entalpic a levé 8,5 millions d’euros
La société a été créée en 2024 par Mathieu Galtier, ancien dirigeant d’une entreprise d’intelligence artificielle appliquée à la santé, aux côtés de Victor Schmidt et d’Alexandre Duval. Ces deux derniers sortent de Mila, l’institut québécois d’intelligence artificielle fondé par Yoshua Bengio. Duval y occupe désormais la fonction de directeur scientifique.
Ensuite, un financement d’amorçage de 8,5 millions d’euros a été annoncé en septembre 2024, mené par les fonds Breega, Cathay Innovation et Felicis. L’équipe, installée à Station F, compte une trentaine de personnes. Par ailleurs, sa priorité affichée reste les catalyseurs de production d’ammoniac.
La synthèse de l’ammoniac absorbe environ 2 % de la consommation finale d’énergie dans le monde
Le procédé Haber-Bosch, mis au point au début du XXe siècle, combine azote de l’air et hydrogène sous forte pression et à haute température. Selon la feuille de route consacrée à l’ammoniac par l’Agence internationale de l’énergie, publiée en 2021, cette production représente environ 2 % de la consommation finale d’énergie mondiale, soit 8,6 exajoules.
Ce poids énergétique tient en partie au catalyseur employé, à base de fer, qui impose des conditions extrêmes. Dès lors, un matériau plus actif à température modérée réduirait mécaniquement la facture. Cependant, le dénicher suppose d’explorer un espace de combinaisons chimiques immense.
Avec PhAST, des réseaux de neurones divisent par trois à huit le temps de calcul des simulations
Avant de fonder l’entreprise, Alexandre Duval a cosigné PhAST, un cadre de réseaux de neurones sur graphes dédié à la conception de catalyseurs. Le travail, diffusé en préimpression en 2022, a été publié en 2024 dans le Journal of Machine Learning Research, avec notamment Victor Schmidt, Yoshua Bengio et David Rolnick.
Ce cadre s’appuie sur le jeu de données OC20, produit par l’Open Catalyst Project pour entraîner des modèles d’électrocatalyse. Ses auteurs y modifient trois étapes, la construction du graphe atomique, la représentation des atomes et la tête de prédiction d’énergie. Par conséquent, les gains annoncés atteignent 4 à 42 % d’erreur en moins et un temps de calcul divisé par trois à huit.
Prédire une structure ne suffit pas, la validation expérimentale reste le passage obligé des catalyseurs
Ces méthodes remplacent des simulations de physique quantique très coûteuses par des estimations apprises sur des millions d’exemples. De plus, la plateforme revendiquée par Entalpic associe modèles prédictifs, modèles génératifs, simulations atomiques et essais de laboratoire. Le principe consiste à filtrer des millions de candidats avant d’en synthétiser quelques-uns.
Cependant, la prudence demeure de mise sur les résultats industriels. Aucun catalyseur issu de cette démarche n’a été documenté publiquement à l’échelle d’une usine, et les écarts entre prédiction et mesure restent la règle en chimie des surfaces. Surtout, les performances rapportées concernent pour l’instant des jeux de données de référence.
L’enjeu dépasse toutefois le seul ammoniac. Les mêmes outils visent le stockage d’énergie, la production d’hydrogène et le traitement des polluants, autant de domaines où un catalyseur conditionne le rendement. Ainsi, la chimie des surfaces devient un terrain d’essai pour mesurer ce que l’apprentissage automatique apporte réellement à la découverte de matériaux.