Human-Centric, Causal and Physics-Guided AI for Designing and Optimizing Sustainable Industrial Processes and Materials

Le secteur industriel contribue à environ 30 % des émissions mondiales de CO₂, principalement en raison de procédés énergivores et à forte intensité carbone tels que la sidérurgie, la production de ciment et la fabrication de produits chimiques. Les options de décarbonation industrielle, notamment le captage du dioxyde de carbone et l’utilisation de matières premières biosourcées, peuvent jouer un rôle essentiel dans la réduction de ces émissions, mais la mise en œuvre de ces options demeure limitée par des raisons de coûts d’investissement et d’exploitation élevés, un niveau de maturité technologique souvent limitée à 6-7, autrement dit les technologies doivent encore répondre à des exigences opérationnelles réelles avec un déploiement réussi, et des exigences de conception complexes. Une décarbonation industrielle économiquement viable exige de repenser les cadres traditionnels de conception des procédés afin d’intégrer, notamment, les énergies renouvelables, le captage et le stockage du dioxyde de carbone, ainsi que les flux circulaires de ressources, au sein de systèmes adaptatifs pour lesquels la numérisation pourrait jouer un rôle clé dans l’optimisation des opérations. Cependant, l’optimisation de la conception des procédés demeure une tâche complexe et multidisciplinaire, limitée par la rigidité et les exigences computationnelles des approches conventionnelles fondées sur la physique ou sur des modèles empiriques. Cette recherche doctorale répond à ces limitations en développant méthodologie reposant sur une approche hybride fondée sur l’intelligence artificielle, visant à accélérer la conception de procédés et de matériaux industriels à faibles émissions, tout en conservant une supervision complète par des experts humains. La méthodologie d’optimisation et de conception proposée, centrée sur l’expertise humaine, intègre l’apprentissage automatique interprétable (communément appelé en anglais, Interpretable Machine Learning, IML), l’intelligence artificielle explicable (communément appelé en anglais, Explainable Artificial Intelligence, XAI) ainsi que des approches génératives de l’IA et d’apprentissage par renforcement (RL) assistées par la physique, afin d’articuler l’intelligence issue des données avec la modélisation physique. La méthodologie exploite les capacités prédictives, descriptives et génératives de l’IA/ML tout en les combinant à une analyse de causalité reposant sur l’analyse formelle de concepts et les réseaux bayésiens causaux pour accélérer la conception. Trois méthodes fondamentales ont été élaborées : (1) la première repose sur des modèles d’ensemble IML/XAI assurant une prédiction fiable et une interprétation transparente pour la conception de procédés et de matériaux ; (2) la deuxième est fondée sur l’IA générative tenant compte des principes physiques et chimiques pour la découverte de solvants et matériaux durables ; et (3) la troisième porte sur l’optimisation par apprentissage par renforcement causal incrémental (CIRL) assurant une prise de décision adaptative intégrée aux simulateurs. Ces méthodes ont été validées à travers des études de cas industriels liées à la décarbonation, notamment le captage du dioxyde de carbone et la valorisation de la lignine. Les résultats obtenus confirment la performance supérieure des méthodes proposées par rapport à celles existantes dans la littérature, en atteignant des niveaux de précision prédictive nettement plus élevés, tout en préservant l’interprétabilité et la transparence des modèles. La méthode générative a démontré une cohérence entre les matériaux synthétisés et les indicateurs de performance ciblés des solvants, notamment la solubilité et le caractère écologique. De même, les méthodes d’optimisation développées ont permis de concevoir des procédés présentant des réductions significatives des coûts et des émissions de CO₂ associés à leur captage. Ces avancées ont été obtenues avec une accélération et une efficacité computationnelles notables, principalement attribuées à l’intégration de l’analyse et du raisonnement causals comme composantes fondamentales des méthodes proposées. L’originalité de cette recherche réside dans l’unification des connaissances fondées sur la physique et de l’IA causale afin de développer des méthodes d’optimisation interprétables, évolutives et généralisables. Au-delà des avancées méthodologiques - telles que la modélisation par substituts d’ensemble et l’apprentissage causal- ce travail propose des outils concrets, notamment une base de données publique de matériaux, un système structuré d’évaluation du caractère écologique des matériaux, ainsi que et des règles de conception réutilisables/généralisables. L’ensemble de ces contributions offre une base robuste pour une conception industrielle numérique, durable et axée sur les données, favorisant une transition accélérée vers les objectifs de carboneutralité.