Disquette ou pas : L'IA prédit les propriétés des métamatériaux complexes
Même si l'on ne dispose que d'un ensemble relativement restreint d'exemples à partir desquels apprendre.
Avec une pièce d'origami en 3D, pouvez-vous l'aplatir sans l'endommager ? Il est difficile de prédire la réponse en observant simplement le dessin, car chaque pli du dessin doit être compatible avec l'aplatissement. Il s'agit d'un exemple de problème combinatoire. De nouvelles recherches menées par l'Institut de physique de l'Université de Virginie et l'institut de recherche AMOLF ont démontré que les algorithmes d'apprentissage automatique peuvent répondre avec précision et efficacité à ce type de questions. Cela devrait donner un coup de fouet à la conception de (méta)matériaux complexes et fonctionnels assistée par intelligence artificielle.
Deux métamatériaux mécaniques combinatoires conçus de manière à ce que les lettres M et L ressortent à l'avant lorsqu'elles sont serrées entre deux plaques (en haut et en bas). La conception de nouveaux métamatériaux comme celui-ci est facilitée par l'IA.
Daan Haver and Yao Du, UvA
Dans leurs derniers travaux, publiés dans Physical Review Letters, l'équipe de recherche a testé la capacité de l'intelligence artificielle (IA) à prédire les propriétés des métamatériaux mécaniques dits combinatoires.
Matériaux artificiels
Il s'agit de matériaux artificiels dont les propriétés sont déterminées par leur structure géométrique plutôt que par leur composition chimique. Un morceau d'origami est également un type de métamatériau, dont la capacité à s'aplatir (une propriété physiquement bien définie) est déterminée par la façon dont il est plié (sa structure), plutôt que par le type de papier dont il est fait. Plus généralement, la conception intelligente nous permet de contrôler précisément où et comment un métamatériau va se plier, se tordre ou se bomber, ce qui peut être utilisé pour toutes sortes de choses, des amortisseurs de chocs au déploiement de panneaux solaires sur un satellite dans l'espace.
Un métamatériau combinatoire typique étudié en laboratoire est constitué de deux ou plusieurs types ou orientations de blocs de construction, qui se déforment de manière distincte lorsqu'une force mécanique est appliquée. Si ces blocs de construction sont combinés au hasard, le matériau dans son ensemble ne se déformera généralement pas sous la pression, car tous les blocs ne pourront pas se déformer comme ils le souhaitent ; ils se bloqueront. Lorsqu'un bloc de construction souhaite se gonfler vers l'extérieur, son voisin doit pouvoir s'écraser vers l'intérieur. Pour que le métamatériau se déforme facilement, tous les blocs de construction déformés doivent s'emboîter comme un puzzle. De la même manière que la modification d'un seul pli peut rendre une pièce d'origami impossible à aplatir, la modification d'un seul bloc peut rendre un métamatériau "mou" rigide.
Difficile à prévoir
Si les métamatériaux ont de nombreuses applications potentielles, en concevoir un nouveau est un véritable défi. En partant d'un ensemble particulier de blocs de construction, la déduction des propriétés globales du métamatériau pour différentes structures se résume souvent à des essais et des erreurs. À notre époque, nous n'avons pas envie de faire tout cela à la main. Cependant, comme les propriétés des métamatériaux combinatoires sont très sensibles aux changements apportés aux blocs de construction individuels, les méthodes statistiques et numériques classiques sont lentes et sujettes à des erreurs.
Au lieu de cela, les chercheurs ont découvert que l'apprentissage automatique pouvait être la solution : même lorsqu'ils ne disposent que d'un ensemble relativement restreint d'exemples pour apprendre, les réseaux neuronaux convolutifs sont capables de prédire avec précision les propriétés métamatérielles de n'importe quelle configuration de blocs de construction, dans les moindres détails.
"Cela a largement dépassé nos attentes", explique Ryan van Mastrigt, doctorant et premier auteur. "La précision des prédictions nous montre que les réseaux neuronaux ont effectivement appris les règles mathématiques qui sous-tendent les propriétés métamatérielles, même si nous ne connaissons pas toutes les règles nous-mêmes."
Cette découverte suggère que nous pouvons utiliser l'IA pour concevoir de nouveaux métamatériaux complexes aux propriétés utiles. Plus largement, l'application des réseaux neuronaux aux problèmes combinatoires nous permet de poser de nombreuses questions passionnantes. Peut-être peuvent-ils nous aider à résoudre des problèmes (combinatoires) dans d'autres contextes. Et inversement, les résultats peuvent améliorer notre compréhension des réseaux neuronaux eux-mêmes, par exemple en démontrant comment la complexité d'un réseau neuronal est liée à la complexité des problèmes qu'il peut résoudre.
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
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.
