L'intelligence artificielle conçoit des matériaux avancés
Des scientifiques du Max-Planck-Institut für Eisenforschung mettent au point un nouveau modèle d'apprentissage automatique pour la conception d'alliages résistants à la corrosion
Fusionner les textes et les chiffres
"Chaque alliage possède des propriétés uniques en ce qui concerne sa résistance à la corrosion. Ces propriétés ne dépendent pas seulement de la composition de l'alliage, mais aussi de son processus de fabrication. Les modèles actuels d'apprentissage automatique ne peuvent tirer profit que des données numériques. Cependant, les méthodologies de traitement et les protocoles d'essais expérimentaux, qui sont principalement documentés par des descripteurs textuels, sont essentiels pour expliquer la corrosion", explique le Dr Kasturi Narasimha Sasidhar, auteur principal de la publication et ancien chercheur postdoctoral au MPIE. L'équipe de chercheurs a utilisé des méthodes de traitement du langage, apparentées au ChatGPT, en combinaison avec des techniques d'apprentissage automatique pour les données numériques et a développé un cadre de traitement du langage naturel entièrement automatisé. En outre, l'intégration de données textuelles dans le cadre d'apprentissage automatique permet d'identifier des compositions d'alliage améliorées résistantes à la corrosion par piqûres. "Nous avons entraîné le modèle d'apprentissage profond avec des données intrinsèques qui contiennent des informations sur les propriétés de corrosion et la composition. Le modèle est désormais capable d'identifier les compositions d'alliage qui sont essentielles pour la résistance à la corrosion, même si les éléments individuels n'ont pas été introduits initialement dans le modèle", explique Michael Rohwerder, co-auteur de la publication et chef du groupe Corrosion au MPIE.
Repousser les limites : exploration de données et traitement d'images automatisés
Dans le cadre récemment conçu, Sasidhar et son équipe ont exploité des données recueillies manuellement en tant que descripteurs textuels. Actuellement, leur objectif est d'automatiser le processus d'exploration des données et de l'intégrer de manière transparente dans le cadre existant. L'incorporation d'images microscopiques marque une nouvelle étape, envisageant la prochaine génération de cadres d'IA qui font converger des données textuelles, numériques et des images.
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.