Les spécialistes des matériaux tentent constamment de trouver de nouveaux matériaux dotés de propriétés spécifiques, mais les données expérimentales qu'ils doivent traiter sont écrasantes. Des scientifiques de l'université de Rochester ont utilisé l'apprentissage automatique pour accélérer la découverte de nouveaux matériaux.
Les matériaux cristallins ont une structure de réseau cristallin bien ordonnée et répétitive, un arrangement régulier et répétitif d'atomes, d'ions ou de molécules. La disposition de ces réseaux cristallins confère au matériau des propriétés spécifiques.
Vous voulez un matériau dur, résistant aux températures élevées et léger ? Pour y parvenir, il faut obtenir la bonne structure de treillis.
Lorsque les spécialistes des matériaux synthétisent une petite quantité d'un nouveau matériau, ils veulent savoir quels types de propriétés il aura pour décider s'il est viable ou non pour une application particulière.
Pour ce faire, ils utilisent un procédé appelé diffraction des rayons X (DRX). L'échantillon de matériau est normalement broyé en une fine poudre, puis exposé aux rayons X. Lorsque les rayons X atteignent les atomes du matériau, ils sont diffractés dans différentes directions, en fonction de l'arrangement atomique. Lorsque les rayons X atteignent les atomes du matériau, ils sont diffractés dans différentes directions, en fonction de l'arrangement atomique.
Les rayons X diffractés créent un motif sur un détecteur que les scientifiques doivent analyser pour en déduire les propriétés du matériau. Le problème est que la DRX produit une énorme quantité de données que l'homme n'est pas en mesure de traiter efficacement.
Automatisation de l'analyse des matériaux
L'étudesous la direction d'un doctorant en science des matériaux Jerardo Salgadoa développé des modèles d'apprentissage profond pour automatiser la classification des matériaux sur la base de leurs modèles XRD.
Les modèles d'apprentissage automatique qu'ils ont utilisés emploient des réseaux neuronaux convolutifs (CNN), un type de réseau neuronal très performant pour les tâches de reconnaissance et de classification d'images.
Les modèles ont été entraînés sur un vaste ensemble de données de modèles XRD synthétiques, générés pour représenter une large gamme de conditions expérimentales et de types de matériaux.
Chef de projet Niaz Abdolrahimprofesseur de génie mécanique à l'université de Rochester, a déclaré : "Une grande partie de la science des matériaux et de la physique se cache dans chacune de ces images, et des téraoctets de données sont produits chaque jour dans des installations et des laboratoires du monde entier.
Expliquant les avantages de l'apprentissage automatique dans son domaine, M. Abdolrahim a déclaré : "Le développement d'un bon modèle pour analyser ces données peut vraiment aider à accélérer l'innovation dans le domaine des matériaux, à comprendre les matériaux dans des conditions extrêmes et à développer des matériaux pour différentes applications technologiques."
L'utilisation de modèles d'apprentissage automatique pour filtrer les données XRD pourrait accélérer le développement d'appareils électroniques plus rapides, de meilleures batteries ou même d'articles de tous les jours dont la durabilité, la fonctionnalité ou la viabilité seraient améliorées.
Les chercheurs de l Centre pour la matière à pression atomique s'intéressent particulièrement à cette application de l'apprentissage automatique. L'utilisation de la XRD lors de l'exposition de matériaux à des pressions et des températures extrêmes aidera les scientifiques non seulement à découvrir des moyens de créer de nouveaux matériaux, mais aussi à en savoir plus sur la formation des étoiles et des planètes.
L'utilisation de l'IA pour libérer les esprits scientifiques de la corvée de l'analyse des données permettra de mieux orienter leur pensée créative vers la conception des matériaux qui façonneront notre avenir.
