"Zoom sur" #1

Bernard Roux, ingénieur automatisation chez Syensqo

Couplage robotique et méthodes d’optimisation en formulation

Titulaire d’une thèse en analyse d’images, j’ai un long parcours en automatisation de laboratoire durant lequel j’ai pu contribuer à de nombreux projets successivement dans trois centres de recherche de Syensqo, notamment au Laboratoire du Futur à Bordeaux en y développant des approches et outils haut débit pour la formulation et la réaction chimique. Basé actuellement au centre de recherche et innovation de Lyon, je suis impliqué dans des projets de robotisation qui visent à accélérer l’innovation, fiabiliser l’acquisition de données expérimentales ou d’améliorer la sécurité en réduisant l’exposition aux produits chimiques.

À titre d’illustration, pour accompagner nos chercheurs dans le développement de nouveaux ingrédients dans le domaine de la formulation des shampoings, notre équipe a construit une plateforme robotique couplée à des algorithmes d’intelligence artificielle permettant d’optimiser des formulations en un minimum d’expériences. Cette plateforme est constituée d’un bras robotique collaboratif et de différents modules nécessaires à la préparation des formulations ainsi qu’à leur caractérisation :

• une pipette automatique manipulable avec la pince du robot pour la distribution des différents ingrédients,

• un agitateur pour assurer un bon mélange,

• une balance permettant de mesurer les quantités exactes distribuées avec la pipette pour recalculer la composition précise de chaque formulation et stocker la donnée de manière fiable pour les analyses ultérieures,

• une caméra pour réaliser des prises de vue des tubes dans lesquels les formulations sont préparées et en évaluer la turbidité par analyse d’image.

La pipette automatique utilisée étant équipée d’un capteur de pression, la mesure de la pression lors de l’aspiration d’une petite quantité de la formulation finale permet, après calibration, de remonter à la viscosité du fluide, paramètre que l’on souhaite optimisé dans notre étude.

Une fois la plateforme opérationnelle, nous y avons intégré des algorithmes d’optimisation bayésienne pour en faire un outil pouvant fonctionner de manière autonome définissant les nouveaux paramètres des futures formulations sur la base des expériences précédentes. Sur la base du modèle, l’algorithme propose de nouvelles expériences à réaliser, en ciblant les zones de l’espace de formulation où l’incertitude est forte ou où le potentiel d’amélioration est maximal. Cette approche adaptative, dite « active learning » ou « optimisation bayésienne », permet d’explorer efficacement l’espace multidimensionnel, en minimisant le nombre d’expériences nécessaires. Dans le cas concret de l’optimisation de la viscosité d’un shampoing, l’IA a démontré sa capacité à apprendre les règles de formulation en un nombre réduit d’expériences. Par exemple, là où une recherche aléatoire nécessiterait 400 essais pour atteindre la viscosité cible, l’algorithme d’optimisation bayésienne converge en seulement 40 essais.

Mots clés : robotique, automatisation, optimisation, formulation