La conception de nouveaux matériaux représente un domaine où l’efficacité et la clarté sont primordiales. Les scientifiques cherchent constamment à améliorer leurs méthodes pour créer des matériaux adaptés aux besoins industriels, tant en termes de protection contre la corrosion que pour les technologies de l’énergie propre. Comment l’intelligence artificielle pourrait-elle simplifier et clarifier ce processus complexe ?
Des chercheurs de l’Institut Roux de l’Université Northeastern ont développé une méthode innovante pour la conception de nouveaux matériaux en utilisant l’intelligence artificielle (IA). Leur approche met l’accent sur l’efficacité des données et la facilité d’interprétation, promettant des améliorations significatives pour des applications industrielles comme la protection contre la corrosion et les technologies de l’énergie propre.
Quoi de neuf ?
La conception inverse des matériaux, aidée par l’IA, a gagné en popularité pour la création de matériaux adaptés à des propriétés spécifiques. Cependant, de nombreuses méthodes existantes dépendent de modèles génératifs qui apprennent un espace latent où les propriétés cibles sont souvent entrelacées, rendant le processus complexe et difficile à interpréter, surtout lorsqu’on conçoit pour plusieurs propriétés. Pour surmonter cet obstacle, le Dr Cheng Zeng, le Dr Zulqarnain Khan et le professeur Nathan Post de l’Université Northeastern ont élaboré une nouvelle méthode d’IA employant un Disentangled Variational Autoencoder (D-VAE ou Autoencodeur variationnel démêlé) pour la conception inverse des matériaux.
Le D-VAE fonctionne en «séparant» les propriétés cibles – comme la résistance ou la stabilité – des représentations de données sous-jacentes. Cette séparation permet aux chercheurs de :
- Concevoir des matériaux de manière plus modulaire, en ajustant pour des propriétés cibles spécifiques.
- Travailler efficacement avec de petits ensembles de données en combinant des données étiquetées (propriétés cibles connues) et non étiquetées (propriétés cibles inconnues).
- Mieux comprendre pourquoi l’IA suggère un candidat matériel particulier, traitant ainsi un problème fréquent de l’IA – sa nature de « boîte noire ».
« Cette approche est robuste et flexible, facilitant grandement la conception de matériaux répondant à plusieurs exigences », a précisé le Dr Cheng Zeng, le principal chercheur de l’étude.
Comment cela fonctionne-t-il ?
La méthode a été testée sur un ensemble de données de matériaux complexes appelés alliages à haute entropie, connus pour leur force mécanique exceptionnelle et leur résistance à l’usure et à la corrosion. En désentrelacant des propriétés clés comme la formation d’une structure monophasée (un indicateur de stabilité de phase), l’équipe a démontré que la méthode D-VAE nécessite moins de données que les méthodes d’apprentissage automatique conventionnelles. De plus, elle produit des résultats clairs et interprétables qui mettent en lumière quelles caractéristiques d’un matériau influencent le plus les prédictions.
Newsletter Enerzine
Recevez les meilleurs articles
Énergie, environnement, innovation, science : l’essentiel directement dans votre boîte mail.
Pourquoi cela compte-t-il ?
Les modèles d’IA nécessitent souvent des quantités massives de données et peinent à expliquer leurs décisions, ce qui peut rendre les scientifiques réticents à leur faire confiance. En offrant une meilleure efficacité des données et une interprétabilité accrue, la nouvelle méthode ouvre de nouvelles possibilités pour la conception de matériaux avancés et renforce la confiance dans le processus de conception des matériaux.
Le Dr Zeng explique : « Cette méthode peut être adaptée à une vaste gamme d’applications, allant de la conception de nouveaux matériaux à la résolution d’autres défis en ingénierie où il existe une relation entrée-sortie. »
Qu’est-ce qui suit ?
Alors que les chercheurs planifient de raffiner la méthode pour concevoir des matériaux avec plusieurs propriétés et des prédictions conscientes de l’incertitude, cette étude représente un pas important vers une conception de matériaux pilotée par l’IA, plus efficace en termes de données et interprétable.
Article : ‘Data-efficient and interpretable inverse materials design using a disentangled variational autoencoder’ / ( 10.55092/aimat20250002 ) – ELSP – Publication dans la revue AI & Materials / 17-Dec-2024
