Découvrir de nouveaux matériaux à l'aide de l'apprentissage automatique
Une équipe de recherche internationale publie un cadre universel dans la revue Science
Les nouveaux matériaux sont la clé de notre transition vers une économie plus durable. Cependant, la recherche et la conception de nouveaux matériaux répondant à des exigences technologiques spécifiques demandent beaucoup de temps et d'argent. En particulier pour les alliages à haute entropie qui sont des solutions solides de plusieurs éléments principaux, le nombre de combinaisons possibles devient trop important pour utiliser des méthodes d'essai et d'erreur. Une équipe de recherche internationale a mis au point un cadre d'apprentissage automatique actif en boucle fermée qui améliore de plusieurs ordres de grandeur l'efficacité expérimentale dans l'identification de nouveaux alliages présentant les propriétés souhaitées, tout en économisant du temps et des coûts. Ce cadre a été appliqué avec succès pour découvrir de nouveaux alliages Invar utilisés pour transporter de l'hydrogène liquide, de l'ammoniac et du gaz naturel, et ce cadre peut être appliqué universellement pour optimiser d'autres matériaux mécaniques et fonctionnels. L'équipe de recherche dirigée par des scientifiques du Max-Planck-Institut für Eisenforschung (MPIE), a publié ses récents résultats dans la revue Science.
Computer generated picture
"Si l'on considère uniquement les éléments les plus utilisés du tableau périodique, ils donnent lieu à 1050 variantes d'alliage possibles - un nombre qui dépasse toutes les approches expérimentales. C'est pourquoi nous avons utilisé un cadre d'apprentissage actif basé sur des modèles probabilistes et des réseaux neuronaux artificiels", explique le Dr Ziyuan Rao, chercheur postdoctoral au MPIE et premier auteur de la publication. L'équipe de recherche du MPIE, de l'Université technique de Darmstadt, de l'Université technologique de Delft (Pays-Bas) et de l'Institut royal de technologie KTH (Suède) a recherché des alliages Invar présentant des propriétés de dilatation thermique améliorées. Ces alliages sont constitués de fer et de nickel et ne se dilatent ou ne se contractent pas en cas de changement de température. Ils sont idéalement utilisés dans les réservoirs stockant des gaz à des températures comprises entre -160°C et la température ambiante. "La prédiction des alliages d'Invar est un problème très difficile sur le plan informatique. Il faut gérer l'interaction délicate entre le magnétisme et les vibrations du réseau, qui ont tous deux un impact sur l'expansion thermique. La découverte de nouveaux alliages d'Invar est donc une excellente preuve de concept de nos données de calcul ainsi que du cadre d'apprentissage actif développé", déclare Fritz Körmann, chef de groupe de recherche à l'université de Delft et au MPIE et co-auteur de la publication. Le cadre d'apprentissage actif développé par les scientifiques comporte trois étapes fondamentales. Tout d'abord, des compositions d'alliage prometteuses sont trouvées sur la base d'un modèle génératif profond qui combine l'apprentissage non supervisé et l'échantillonnage stochastique. Dans l'étape suivante, ces compositions sont passées au crible à l'aide d'un modèle de régression d'ensemble en deux étapes qui permet de suggérer environ 20 compositions. Ces compositions sont classées et les trois meilleures candidates sont traitées et caractérisées expérimentalement. "Nous intégrons les prédictions du modèle de substitution, les calculs théoriques et la validation expérimentale dans un cadre en boucle fermée et, en seulement six itérations, nous avons réussi à identifier deux nouveaux alliages Invar finaux avec des coefficients de dilatation thermique améliorés", explique le professeur Hongbin Zhang de l'Université technique de Darmstadt et co-auteur de la publication.
"Les modèles d'apprentissage automatique ont connu un succès étonnant lorsque des quantités de données pratiquement illimitées sont disponibles, par exemple dans les jeux vidéo ou lorsqu'ils ont été entraînés sur près d'un tiers du contenu de l'internet. Cependant, il est beaucoup plus difficile de trouver des cas d'utilisation où l'intelligence artificielle a fait une différence dans le monde réel. Il est très intéressant de voir que les prédictions n'ont pas seulement été testées en simulation, mais que de nouveaux alliages ont été produits et testés physiquement", a déclaré le professeur Stefan Bauer, de l'Institut royal de technologie KTH et expert en apprentissage automatique. Les scientifiques vont maintenant se concentrer sur les propriétés d'autres matériaux, comme le magnétisme, et développer les étapes nécessaires.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
![Catalyse de la [Fe]-hydrogénase visualisée à l'aide de la spectroscopie de résonance magnétique nucléaire rehaussée de para-hydrogène](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
Recevez les dernières actualités de l’industrie chimique
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie chimique, aux méthodes analytiques, aux laboratoires et à la technologie des processus vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
