La recherche sur les matériaux entre dans l’ère de l’apprentissage actif

Dans le domaine de la recherche de nouveaux matériaux pour les technologies futures, un nouvel algorithme basé sur l’apprentissage automatique promet d’accélérer considérablement le processus.

Cet algorithme, développé par Felix Thelen de la chaire des Nouveaux Matériaux et Interfaces à l’Université de la Ruhr à Bochum en Allemagne, a la capacité d’examiner les candidats matériels jusqu’à quatre fois plus rapidement qu’auparavant.

Un algorithme révolutionnaire

Les chercheurs travaillent sans relâche pour trouver de nouveaux matériaux pour les technologies futures sur lesquelles dépend la transition énergétique, par exemple en tant qu’électrocatalyseurs. En raison de leurs propriétés polyvalentes, les matériaux composés de cinq éléments ou plus sont particulièrement intéressants.

Avec environ 50 éléments utilisables du tableau périodique, il existe un nombre presque infini de matériaux possibles.

Felix Thelen, de la chaire des Nouveaux Matériaux et Interfaces à l’Université de la Ruhr à Bochum, dirigée par Alfred Ludwig, a développé un algorithme qui peut examiner les candidats matériels quatre fois plus rapidement qu’auparavant. Cela est rendu possible par le concept d’Active Learning, un sous-domaine de l’apprentissage automatique.

L’efficacité de l’algorithme

Malgré des méthodes hautement spécialisées qui peuvent produire une gamme de matériaux en parallèle sur un seul échantillon et les mesurer automatiquement, chaque minute compte dans leur analyse – car des jours ou des semaines peuvent s’écouler avant que l’examen d’un échantillon soit complet.

Le nouvel algorithme peut être intégré dans les instruments de mesure existants et peut augmenter leur efficacité de nombreuses fois.

« En utilisant l’Active Learning, un instrument de mesure est capable de sélectionner indépendamment le prochain point de mesure sur un échantillon, en fonction des informations déjà disponibles sur le matériau, » explique Felix Thelen, développeur du programme de mesure autonome.

Point par point, cela affine un modèle mathématique sur la propriété matérielle mesurée jusqu’à ce que la précision soit suffisante. Ensuite, la mesure peut être arrêtée – et les résultats aux points de mesure restants sont prédits par le modèle généré.

En synthèse

Le travail de l’équipe de recherche de Bochum ne fait que commencer. En effet, dans la recherche sur les matériaux, il existe des méthodes de mesure beaucoup plus complexes que la mesure de la résistance qui doivent également être optimisées.

En coopération avec les fabricants des instruments, des solutions doivent maintenant être développées pour permettre l’intégration de tels algorithmes d’apprentissage actif. Cette avancée pourrait révolutionner la manière dont nous découvrons et exploitons de nouveaux matériaux pour les technologies de l’avenir.

Pour une meilleure compréhension

Qu’est-ce que l’algorithme développé par Felix Thelen ?

C’est un algorithme basé sur l’apprentissage automatique qui peut examiner les candidats matériels jusqu’à quatre fois plus rapidement qu’auparavant. Il est particulièrement utile dans la recherche de nouveaux matériaux pour les technologies futures.

Qu’est-ce que l’apprentissage actif ?

L’apprentissage actif est un sous-domaine de l’apprentissage automatique. Dans ce contexte, un instrument de mesure est capable de sélectionner indépendamment le prochain point de mesure sur un échantillon, en fonction des informations déjà disponibles sur le matériau.

Quels sont les avantages de cet algorithme ?

Cet algorithme peut être intégré dans les instruments de mesure existants et peut augmenter leur efficacité de nombreuses fois. Il permet d’économiser du temps dans l’analyse des matériaux.

Quels sont les défis futurs pour l’équipe de recherche ?

L’équipe de recherche doit maintenant travailler sur l’optimisation de méthodes de mesure plus complexes. En coopération avec les fabricants des instruments, des solutions doivent être développées pour permettre l’intégration de tels algorithmes d’apprentissage actif.

Quelle est l’importance de cette recherche ?

Cette recherche pourrait révolutionner la manière dont nous découvrons et exploitons de nouveaux matériaux pour les technologies de l’avenir. Elle est essentielle pour la transition énergétique.

Felix Thelen, Lars Banko, Rico Zehl, Sabrina Baha, Alfred Ludwig: Speeding up high-throughput characterization of materials libraries by active learning: autonomous electrical resistance measurements, in: Digital Discovery, 2023, DOI: 10.1039/D3DD00125C

Légende illustration principale : Felix Thelen rédige sa thèse de doctorat à la chaire des nouveaux matériaux et interfaces de l’université de la Ruhr. © RUB, Marquard