Accelerating the discovery and development of chemicals and innovative advanced materials through digitalisation and artificial intelligence (IA) (Innovative Advanced Materials …

Informations clés

• Identifiant officiel : HORIZON-CL4-2026-01-MAT-PROD-23
• Titre officiel : Accelerating the discovery and development of chemicals and innovative advanced materials through digitalisation and artificial intelligence (IA) (Innovative Advanced Materials for the EU partnership)
• Type d’action : IA — Innovation Action
• Partenariat européen : Innovative Advanced Materials for the EU (IAM4EU).
• Budget indicatif du topic : 50,00 M€
• Contribution UE indicative par projet : Environ 13,00 M€
• Nombre indicatif de projets : 4
• TRL attendu : TRL 5 → TRL 7
• Calendrier / statut : CLOSED — clôture le 21/04/2026 à 17:00 (heure de Bruxelles).

Résumé opérationnel

Accélérer le développement et la mise sur le marché de nouvelles substances chimiques et de matériaux avancés innovants grâce à des outils numériques, à l’IA, aux laboratoires autonomes et à des workflows réutilisables de conception, simulation et expérimentation. Les solutions doivent accélérer la démonstration des propriétés et l’évaluation des risques, avec validation en conditions réalistes.

Résultats attendus

Réduction du temps de découverte et de développement de matériaux et produits chimiques; workflows d’innovation intégrant conception d’expériences et/ou simulation; opérationnalisation du cadre SSbD; progrès important dans l’évaluation des risques; boucles de rétroaction numériques reliant exigences, production, scale-up, fabrication et intégration produit.

Périmètre du topic

Développer des outils ou preuves de concept numériques qui accélèrent le parcours vers le marché de substances aux fonctionnalités supérieures ou nouvelles. Les workflows peuvent inclure IA, self-driving labs, conception d’expériences et de simulations, données et modèles sur le cycle de vie, méthodes d’essai nouvelles et outils d’évaluation des risques. Les démonstrateurs doivent valider les matériaux en conditions réalistes. Les workflows doivent être interopérables, documentés et favoriser des données FAIR réutilisables; les synergies avec Materials Commons for Europe, DIGIPASS, les toolboxes SSbD et la Common Data Platform for Chemicals sont pertinentes.

Conditions / points spécifiques

Budget 50 M€; contribution indicative autour de 13 M€; quatre projets attendus. TRL 5 au démarrage vers TRL 7 à la fin. La page B est exceptionnellement étendue de trois pages pour intégrer business case et exploitation. Les entités établies dans un pays éligible mais contrôlées directement ou indirectement par la Chine ne sont pas éligibles à cette action. La Commission peut s’opposer à certains transferts de propriété/licences exclusives jusqu’à quatre ans après la fin de l’action. Vérifier l’Annexe B et l’Annexe 5.

Profil de projet pertinent

Entreprises de chimie et matériaux avancés; éditeurs de logiciels scientifiques; développeurs d’IA pour sciences des matériaux; laboratoires automatisés et self-driving labs; producteurs de données, infrastructures numériques, centres de recherche et utilisateurs industriels capables de tester les matériaux; experts SSbD, toxicologie, métrologie, données FAIR et industrialisation.

Signaux de non-adéquation

IA générique sans workflow de découverte; simple base de données ou dashboard; modèle prédictif non relié à des expériences ou simulations; absence de matériau/substance cible et de propriété à démontrer; pas de démonstrateur réaliste; données non documentées ou impossibles à réutiliser; absence de business case ou de trajectoire vers le marché.

Mots-clés et expressions de matching

découverte de matériaux; matériaux avancés innovants; chimie numérique; IA pour matériaux; self-driving lab; laboratoire autonome; design of experiment; simulation; workflows FAIR; Materials Commons for Europe; DIGIPASS; SSbD; évaluation des risques; propriété des matériaux; validation en conditions réalistes; TRL 5; TRL 7; scale-up; données interopérables.

Indicateurs à demander au porteur

Temps de cycle de découverte; nombre de cycles expérience/simulation; précision et validation externe des modèles; qualité et provenance des données; reproductibilité des workflows; réduction du temps et du coût d’évaluation du risque; propriétés mesurées du matériau; validation en conditions réalistes; TRL; transfert vers fabrication; plan d’exploitation et modèle économique.

Risques de faux positifs

Simple logiciel de laboratoire sans démonstration d’accélération; IA générative générique; dataset sans workflow ni démonstrateur; simulation non validée; projet de caractérisation ponctuelle sans chemin vers marché; absence de règles de gouvernance des données.

Règle de matching Capital OS

MATCH fort si le projet combine un matériau/chimique cible, un workflow numérique réutilisable (IA, simulation, design d’expériences ou laboratoire autonome), une validation expérimentale réaliste et un chemin de scale-up/marché. Vérifier strictement la restriction de contrôle chinois. MATCH faible pour logiciel générique, base de données seule ou R&D matière sans accélération numérique démontrée.

Sources officielles

• Source officielle
• Source officielle
• Source officielle
• Source officielle

Mini-guide pratique

1. Vérifier le statut — Le topic est CLOSED depuis le 21/04/2026. Le budget était de 50 M€, environ 13 M€ par projet et quatre projets attendus; TRL 5 vers 7. Conserver comme référence historique.

2. Vérifier l’adéquation — Décrire la substance ou le matériau visé, la fonctionnalité à obtenir, le goulot d’étranglement de découverte et la manière dont le numérique raccourcit ce cycle. IA seule ne suffit pas : expliciter les données, expériences/simulations et boucle de validation.

3. Tester le scope — Vérifier les workflows réutilisables, l’interopérabilité et la qualité des données (FAIR), le rôle éventuel des self-driving labs et l’articulation avec Materials Commons for Europe, DIGIPASS et SSbD.

4. Collecter les preuves — Demander protocole de validation expérimentale, données documentées, métriques de performance, preuves de reproductibilité, démonstrateur en conditions réalistes, plan de scale-up, business case et stratégie d’exploitation.

5. Appliquer la règle de matching — MATCH fort si le projet va de la découverte numérique jusqu’à la démonstration réaliste et à la trajectoire industrielle. Écarter IA générique, dashboard seul, dataset sans boucle expérimentale ou démonstrateur.

6. Vérifier les risques spécifiques — Point d’éligibilité critique : entités contrôlées directement ou indirectement par la Chine étaient exclues, même si établies dans un pays éligible. Contrôler le contrôle ultime de chaque partenaire, l’Annexe B et les clauses sur transferts/licences.

Mots-clés — découverte de matériaux; matériaux avancés innovants; chimie numérique; IA pour matériaux; self-driving lab; laboratoire autonome; design of experiment; simulation; workflows FAIR; Materials Commons for Europe; DIGIPASS; SSbD; évaluation des risques; propriété des matériaux; validation en conditions réalistes; TRL 5; TRL 7; scale-up; données interopérables.

Sources officielles — Work Programme officiel: https://ec.europa.eu/info/funding-tenders/opportunities/docs/2021-2027/horizon/wp-call/2026-2027/wp-7-digital-industry-and-space_horizon-2026-2027_en.pdf Page PCN topic: https://www.horizon-europe.gouv.fr/accelerating-discovery-and-development-chemicals-and-innovative-advanced-materials-through-42519 Page PCN INDUSTRY: https://www.horizon-europe.gouv.fr/industry-41487 Funding & Tenders: https://ec.europa.eu/info/funding-tenders/opportunities/portal/screen/opportunities/calls-for-proposals?frameworkProgramme=43108390&isExactMatch=true&order=DESC&pageNumber=1&pageSize=50&programmePeriod=2021+-+2027&sortBy=startDate&status=31094502