Intelligence Artificielle pour la conception de polymères : De l'analyse de contre-exemples basée sur la modélisation des connaissances à la génération moléculaire guidée

AI for polymer design : From knowledge modeling–based Counterexample analysis to guided molecular generation

• Auteur / Autrice : Aymar Tchagoue
• Direction : Jean-Marc Petit, Sébastien Pruvost, Véronique Eglin
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 08/06/2026
• Etablissement(s) : Lyon, INSA
• Ecole(s) doctorale(s) : École doctorale InfoMaths (Lyon ; 2009-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'InfoRmatique en Images et Systèmes d'information (Villeurbanne - Ecully, Rhône ; 2003-....) - Laboratoire d'InfoRmatique en Image et Systèmes d'information / LIRIS
• Partenaire(s) de recherche : Membre de : Université de Lyon (2015-....)
• Partenaire(s) de recherche : Equipe de recherche : BD - Base de Données - imagine - Extraction de Caractéristiques et Identification
• Jury : Président / Présidente : Simon Harrisson
• Jury : Examinateurs / Examinatrices : Jean-Marc Petit, Véronique Eglin, Simon Harrisson, Vassilis Christophides, Antoine Doucet, Mario Maglione
• Jury : Rapporteurs / Rapporteuses : Vassilis Christophides, Antoine Doucet
• DOI : 10.70675/77348f9cz395bz4116z81c8ze8e640ae8a12

Mots clés

Mots clés contrôlés

Polymères

Intelligence artificielle

Apprentissage par renforcement (intelligence artificielle)

Époxydes

Amines

Mots clés libres

Informatique

Matériaux

Intelligence artificielle

Matériaux polymères

Epoxy-Amine

Apprentissage par renforcement

Génération moléculaire

Prédiction de propriétés

Computer science

Materials

Artificial intelligence

Polymer materials

Epoxy-Amine

Reinforcement learning

Molecular generation

Property prediction

Résumé

Bien que la méthodologie d'essai-erreur reste prédominante dans la conception des polymères, elle demeure chronophage et coûteuse. Face à ces limites, cette thèse s'inscrit dans le domaine émergent de l'informatique des polymères en intégrant les méthodes d'intelligence artificielle et l'expertise du domaine. Elle s'organise autour de deux grandes thématiques : d'une part, une méta-analyse basée sur la modélisation de la connaissance ; d'autre part, l'étude des relations structure-propriété pour la conception rationnelle de matériaux, notamment les systèmes époxy-amine et les polyimides. Le travail s'articule autour de quatre principales réalisations. Premièrement, nous introduisons CCASL (Counterexamples to Comparative Analysis of Scientific Literature), une méthodologie permettant de détecter et d'analyser automatiquement les contradictions dans la littérature scientifique des polymères. En exploitant des dépendances fonctionnelles relaxées et l'extraction de tables à grande échelle, CCASL met en évidence des incohérences typographiques et méthodologiques, facilitant la validation scientifique et l'évolution des connaissances. Deuxièmement, nous proposons un cadre de prédiction basé sur un double embedding pour estimer avec précision la température de transition vitreuse (Tg) des polymères, une propriété essentielle dans la détermination des domaines d'application. Ce modèle combine un embedding standard et un embedding finement ajusté sur la similarité de la Tg, améliorant globalement la précision des prédictions. Troisièmement, nous étudions l'influence des fonctions d'agrégation dans l'apprentissage par renforcement multi-score pour la génération de polyimides à Tg élevé, en comparant plusieurs stratégies, dont la moyenne géométrique (GeoMean) et notre fonction ExpAgg, afin de maximiser la diversité et la performance des structures générées. Quatrièmement, nous introduisons un score de synthétisabilité (Syn-Score) basé sur la symétrie moléculaire et la présence de groupes sulfonyl, guidant le générateur vers des structures polyimides expérimentalement réalisables. Dans l'ensemble, cette thèse illustre comment la combinaison de connaissances en chimie des polymères et d'outils d'intelligence artificielle permet d'accélérer la découverte de matériaux polymères, en intégrant de manière cohérente modélisation, prédiction, génération et connaissance expérimentale.

Although the trial-and-error methodology remains predominant in polymer design, it is time-consuming and costly. Faced with these limitations, this thesis falls within the emerging field of polymer informatics by integrating artificial intelligence methods and domain expertise. It is organized around two main themes: on one hand, a meta-analysis based on knowledge modeling; on the other hand, the study of structure-property relationships for the rational design of materials, particularly epoxy-amine systems and polyimides. The study is structured around four achievements. First, we introduce CCASL (Counterexamples to Comparative Analysis of Scientific Literature), a methodology for automatically detecting and analyzing contradictions in polymers scientific publications. By leveraging relaxed functional dependencies and large-scale table extraction, CCASL highlights typographical and methodological inconsistencies, facilitating scientific validation and knowledge refinement. Second, we propose a dual-embedding framework to accurately predict polymer glass transition temperature (Tg), a key property in determining application areas. This model combines a standard embedding with a property-aware embedding fine-tuned on $T_g$ similarity, improving overall prediction accuracy. Third, we investigate the influence of score aggregation functions in multi-score reinforcement learning for high Tg polyimides generation. Several strategies, including the geometric mean (GeoMean) and our proposed ExpAgg function, are compared to maximize the diversity and performance of generated polyimides. Fourth, we introduce a synthesizability score (Syn-Score) based on molecular symmetry and sulfonyl group presence, guiding the generator toward experimentally feasible polyimides structures. Overall, this thesis demonstrates how the combination of domain-specific chemical knowledge and artificial intelligence tools can accelerate the discovery of polymeric materials by coherently integrating modeling, prediction, generation, and experimental knowledge.