L'intelligence artificielle a transformé le traitement du langage naturel en décomposant l'information continue en jetons discrets et en modélisant leurs relations. Aujourd'hui, un nouveau cadre conceptuel suggère que la spectroscopie pourrait offrir aux sciences physiques un système d'information analogue : les spectres peuvent être traités comme des « jetons physiques » générés lorsque la matière interagit avec le rayonnement électromagnétique. Ces jetons encodent l'identité, l'environnement local, les changements dynamiques et les relations régies par la mécanique quantique. En reformulant les spectres comme un langage calculable de la matière plutôt que comme une simple lecture analytique, ce cadre pourrait aider à relier la spectroscopie, l'apprentissage automatique, la conception inverse et l'expérimentation automatisée, jetant ainsi les bases d'un langage plus unifié et lisible par l'IA pour la découverte de matériaux.
La spectroscopie est depuis longtemps utilisée pour identifier des substances et sonder leurs structures via des signaux caractéristiques d'absorption, d'émission, de vibration et de diffraction. Pourtant, l'analyse spectrale conventionnelle dépend souvent de connaissances expertes, de bases de données de référence organisées ou de calculs quantico-chimiques intensifs. Parallèlement, l'intelligence artificielle est de plus en plus utilisée pour extraire des motifs complexes de données scientifiques et pour générer des matériaux candidats aux propriétés souhaitées. Ce qui manque encore, c'est une manière unifiée de relier les caractéristiques spectrales, les lois physiques, les représentations lisibles par machine et la conception générative au sein d'un même cadre. Face à ces défis, une investigation plus approfondie est nécessaire pour comprendre comment l'information spectrale peut être encodée et interprétée comme un langage physiquement fondé pour la science pilotée par l'IA.
Dans un Commentaire publié (DOI : 10.1021/prechem.6c00070) le 24 août 2026 dans Precision Chemistry, Yi Luo du Centre national de recherche de Hefei pour les sciences physiques à l'échelle microscopique, de l'Université des sciences et technologies de Chine, et du Laboratoire national de Hefei, de l'Université des sciences et technologies de Chine, propose un cadre unificateur dans lequel les spectres fonctionnent comme des « jetons physiques ». L'article relie l'encodage spectral, la structure relationnelle, l'interprétation par l'IA et la génération guidée par les spectres, soutenant que la spectroscopie pourrait devenir un substrat informationnel fondamental pour la recherche intelligente sur les matériaux.
Le cadre définit un jeton physique comme une unité d'information spectrale physiquement contrainte, pouvant être représentée à plusieurs niveaux. Au niveau quantique, les jetons peuvent correspondre à des transitions définies par les structures énergétiques et les règles de sélection ; au niveau expérimental, ils apparaissent sous forme de pics, de décalages, d'intensités, de largeurs de raie, de dédoublements et de profils de raie ; et au niveau de l'apprentissage automatique, ils peuvent être discrétisés en intervalles spectraux, en patchs, en descripteurs multimodaux ou en représentations latentes. L'article étend ensuite l'analogie du vocabulaire à la grammaire. Les relations entre la position spectrale, l'intensité, la forme de raie et la réponse environnementale encodent la « syntaxe » du comportement des matériaux, permettant aux spectres d'agir comme des cartes multidimensionnelles des interactions physico-chimiques. Cette idée soutient un passage de la simple correspondance de motifs à des systèmes d'IA plus interprétables qui apprennent les liens entre spectre, structure, composition et fonction.
L'extension la plus ambitieuse est la conception inverse guidée par les spectres : une fonction cible pourrait être traduite en un plan spectral théorique, à partir duquel des modèles génératifs informés par la physique proposeraient des structures candidates. La synthèse et la validation spectroscopique renverraient ensuite les résultats au modèle, créant une boucle fermée allant de la fonction souhaitée à la conception, à l'expérimentation et à l'affinement. Le Commentaire souligne que les spectres ne doivent pas être considérés simplement comme des empreintes digitales utilisées après une expérience, mais comme une interface informationnelle active reliant les lois physiques, les données et la conception. Dans cette optique, les systèmes d'IA pourraient apprendre à lire les motifs spectraux d'une manière qui reste contrainte par la mécanique quantique tout en utilisant ces motifs pour guider les matériaux à fabriquer ensuite. Ce changement pourrait faire passer la spectroscopie d'une caractérisation passive à un rôle plus créatif, où l'information spectrale aide à organiser le raisonnement scientifique, la génération et la rétroaction expérimentale dans un même cadre.
S'il est développé davantage, le cadre des jetons physiques pourrait influencer la façon dont les jeux de données scientifiques, les modèles d'IA et les laboratoires automatisés sont construits. L'article appelle à des bases de données spectrales multimodales de haute qualité ; à des modèles informés par la physique couvrant les techniques infrarouge, Raman, de résonance magnétique nucléaire et de rayons X ; à des pipelines complets spectre–structure–propriété ; et à des liens plus étroits entre les modèles computationnels, la synthèse robotique et la caractérisation in situ à haut débit. Une telle infrastructure pourrait soutenir des laboratoires autonomes dans lesquels les chercheurs humains définissent des objectifs, l'IA planifie des voies candidates, les robots exécutent des expériences et de nouveaux spectres affinent la prochaine série de décisions. L'implication plus large est un langage plus unifié et lisible par machine pour la matière, reliant observation, interprétation et conception à travers la chimie et la science des matériaux. Pour l'industrie, cela pourrait accélérer la découverte de nouveaux matériaux aux propriétés sur mesure, en réduisant la dépendance à l'expérimentation par essais et erreurs. Le cadre souligne également la nécessité d'efforts collaboratifs, comme l'illustrent des initiatives telles que Chuanlink Innovations, qui favorise les liens entre les idées révolutionnaires et leur réalisation.
