À mesure que l’intelligence artificielle franchit les frontières du code et du texte pour pénétrer l’atelier du réel, un nouveau chapitre s’ouvre pour la science des matériaux. Positionnée à l’intersection de l’innovation et de l’industrialisation, CuspAI propose de déplacer le centre de gravité de la découverte vers un paradigme piloté par la propriété visée plutôt que par l’hypothèse moléculaire. Fondée en 2024 par Chad Edwards (ex-Quantinuum) et Max Welling (ex-Microsoft Research), la startup s’inscrit dans le courant « AI for science » et ambitionne d’outiller les industriels sur des enjeux où la performance du matériau détermine l’avantage compétitif: semi-conducteurs, batteries, énergie et capture du carbone. Selon les données récentes, l’entreprise revendique des contrats de plusieurs dizaines de millions de dollars avec NVIDIA, ASML et Hyundai Motor Company, autant de validations sur le terrain que de signaux adressés à des chaînes d’approvisionnement particulièrement exigeantes.
Une analyse approfondie révèle que cette promesse n’a de portée que si la simulation converge avec la validation expérimentale. La plateforme de CuspAI fait émerger, à partir d’un cahier des charges (conductivité, résistance thermique, capacité énergétique), des configurations moléculaires candidates; reste à franchir le « passage critique » du calcul au réel: essais, fiabilité, certification, intégration. Côté capitaux, après un seed en 2024 et une série A en 2025 menée par NEA et Temasek portant la valorisation proche de 800 M$, une nouvelle levée d’au moins 200 M$ mettrait l’entreprise sur la trajectoire du club des licornes. Conseillée par des figures comme Geoffrey Hinton et Yann LeCun, CuspAI cristallise un mouvement plus vaste: faire de l’IA un moteur d’automatisation et d’analyse de données en amont de la R&D, avec, en ligne de mire, la souveraineté matérielle des prochaines infrastructures énergétiques et numériques.
CuspAI et l’intelligence artificielle pour la science des matériaux: de la propriété visée à la découverte
Historiquement, la R&D matériaux progresse par itérations empiriques: hypothèses, synthèses, tests, nouveaux réglages. CuspAI inverse cette logique: l’entrée devient la propriété ciblée (par exemple une conductivité ionique seuil) et la sortie un portfolio de structures candidates générées par machine learning. L’approche segmente intelligemment l’exploration en vastes espaces chimiques et accélère le tri par analyse de données multi-objectifs (performance, coût, durabilité, disponibilité matière).
Du laboratoire empirique à l’automatisation par machine learning
L’IA agit ici comme un moteur d’automatisation: génération de candidats, pré-filtrage via modèles de simulation physiques, puis priorisation des expérimentations à forte valeur informationnelle. Il est essentiel de considérer que l’algorithme ne remplace pas le laboratoire; il en optimise l’ordonnancement, réduisant les itérations inutiles et maximisant l’apprentissage sur chaque essai.
Cette boucle « propriété → design → test → itération » rapproche la R&D des meilleures pratiques logicielles. Elle rend également mesurable le chemin vers le futur produit: on suit des courbes d’amélioration de propriétés, on gère des compromis (trade-offs) et on capitalise les échecs pour réentraîner les modèles.
Partenariats industriels et usages: semi-conducteurs, batteries, énergie et capture du carbone
Dans les semi-conducteurs, un diélectrique légèrement plus stable ou un matériau à interconnexions moins résistives peut transformer un rendement de ligne. Côté batteries, nouveaux électrolytes solides et cathodes à haute tension promettent densité accrue et sécurité. En énergie et capture du carbone, membranes et adsorbants sélectifs dictent l’efficacité des procédés. Les accords avec NVIDIA, ASML et Hyundai servent de tests grandeur nature pour intégrer la plateforme dans des pipelines industriels soumis à des contraintes de coût, de stabilité et de certification.
Exemple concret: un équipementier fabless peut soumettre un cahier des charges thermique pour un composant 3D IC; la plateforme priorise des polymères hautes performances, simule dilatation et vieillissement, puis propose un plan d’essais ciblés. L’impact? Moins de cycles perdus et une qualification plus lisible pour la production.
- Optimisation multi-critères: équilibrer conductivité, tenue mécanique et compatibilité procédé.
- Réduction du temps d’exploration: focaliser l’effort de synthèse sur 1% des candidats pertinents.
- Transparence des compromis: visualiser les frontières de Pareto pour décider en connaissance de cause.
- Traçabilité: relier chaque décision de design à des données et modèles vérifiables.
- Scalabilité: réappliquer les modèles à des familles de matériaux voisines.
Au-delà des références, l’enjeu consiste à prouver la répétabilité des gains au fil de plusieurs lots de production, condition sine qua non pour un déploiement à l’échelle.
Financement, écosystème et souveraineté: une trajectoire portée par l’AI for science
Après une série A menée par NEA et Temasek et une valorisation proche de 800 M$, CuspAI viserait au moins 200 M$ additionnels, dans un contexte où l’AI for science attire des tickets massifs, notamment aux États-Unis. D’anciens chercheurs d’OpenAI et de Google DeepMind ont créé des acteurs déjà valorisés au-delà du milliard, soutenus par des investisseurs emblématiques. En Europe, l’écart de financement persiste, reflet d’un différentiel d’écosystème autant que de capital disponible, même si une nouvelle génération se structure, à l’image d’initiatives mises en lumière par la nouvelle vague de startups européennes et par des projets sectoriels comme Bioptimus dans la biologie.
Sur le plan méthodologique, l’intégration de la simulation physique au cœur des pipelines d’IA progresse, comme le montre la démarche Real2Sim2Real. Pour l’industrie, cela se traduit par des boucles d’apprentissage où chaque essai laboratoire augmente la pertinence des modèles. Le corollaire stratégique est clair: renforcer ces capacités, c’est investir dans une base de technologie et de talents difficilement délocalisable.
Modèles économiques: SaaS, licences, co-développement
Le modèle économique reste en consolidation: licences logicielles pour la plateforme, offres SaaS avec modules de conformité (traçabilité, auditabilité), et projets de co-développement industriel assortis de succès-fees ou de royalties. Chaque formule répond à des maturités différentes: exploration en amont, optimisation d’un procédé existant, ou création conjointe d’un matériau propriétaire.
Le point de vigilance concerne la rétention de propriété intellectuelle et l’accès aux données process. Un cadre contractuel précis et des outils de gouvernance des données deviennent indispensables pour éviter la création de « boîtes noires » incompatibles avec les exigences de certification sectorielles.
Le passage du calcul au réel: validation, certification et intégration industrielle
Générer rapidement des structures prometteuses ne supprime ni la nécessité d’essais sous conditions extrêmes, ni les protocoles de fiabilité, ni les audits d’usine. La cadence algorithmique doit composer avec les rythmes lents de la qualification. Ici, la valeur de CuspAI se joue dans la hiérarchisation des expérimentations: identifier les tests à plus fort pouvoir de falsification pour converger vers une preuve robuste.
Illustration avec « Helionyx Energy », fabricant fictif de modules pour stockage stationnaire: recherche d’un électrolyte solide atteignant 1.000–1.200 Wh/L, cycles étendus et sécurité accrue. La plateforme propose un portefeuille de céramiques dopées, simule la stabilité aux interfaces, puis oriente trois familles candidates vers une chaîne d’essais accélérés. Résultat: deux lots franchissent les seuils de performances requis, et la montée en échelle s’effectue avec un plan de contrôle inspiré des meilleures pratiques semi-conducteurs. Question centrale: comment maintenir cette courbe d’apprentissage lors du passage pilote → pré-série? La réponse tient dans des boucles de machine learning alimentées en continu par les données process et terrain.
À l’appui de cette trajectoire, la présence de conseillers tels que Geoffrey Hinton, Yann LeCun, Martin van den Brink (ex-CTO d’ASML) et Lord John Browne (ex-CEO de BP) confère une crédibilité technique et industrielle. Elle ne dispense toutefois pas de l’épreuve des faits: accumulation de résultats validés, documentation reproductible et conformité réglementaire par secteur.
Journaliste spécialisée en énergie et industrie, je décrypte depuis plus de quinze ans les évolutions des marchés énergétiques et les innovations industrielles. Mon parcours m’a conduite à collaborer avec des publications de renom, où j’ai analysé les défis liés à la transition énergétique et aux politiques industrielles.
