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 d’énergie propre. Comment l’intelligence artificielle pourrait-elle simplifier et clarifier ce processus complexe ?
Des chercheurs du Roux Institute de la Northeastern University ont développé une méthode innovante pour concevoir de nouveaux matériaux utilisantintelligence artificielle (IA). Leur approche met l’accent sur l’efficacité des données et la facilité d’interprétation, promettant des améliorations significatives pour les applications industrielles telles que protection contre la corrosion et le technologies d’énergie propre.
Quoi de neuf ?
La conception inversée des matériaux, aidée par l’IA, a gagné en popularité pour créer des matériaux adaptés à des propriétés spécifiques. Cependant, de nombreuses méthodes existantes dépendent de modèles génératifs qui apprennent un espace latent dans lequel les propriétés cibles sont souvent entrelacées, ce qui rend le processus complexe et difficile à interpréter, en particulier lors de la conception de propriétés multiples. Pour surmonter cet obstacle, le Dr Cheng Zeng, le Dr Zulqarnain Khan et le professeur Nathan Post de la Northeastern University ont développé une nouvelle méthode d’IA employant un Auto-encodeur variationnel démêlé (D-VAE ou Untangled Variational Autoencoder) pour la conception de matériaux inverses.
La D-VAE opère en «séparer» les propriétés cibles – telles que la force ou la stabilité – des représentations de données sous-jacentes. Cette séparation permet aux chercheurs de :
- Concevez des matériaux de manière plus modulaire, en les ajustant à des propriétés cibles spécifiques.
- Travaillez 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 matériel candidat particulier, résolvant ainsi un problème courant dans l’IA : sa nature de « boîte noire ».
« Cette approche est robuste et flexible, ce qui facilite grandement la conception de matériaux répondant à de multiples exigences. “, a déclaré le Dr Cheng Zeng, chercheur principal de l’étude.
La méthode a été testée sur un ensemble de données de matériaux complexes appelé alliages à haute entropiereconnus pour leur résistance mécanique exceptionnelle et leur résistance à l’usure et à la corrosion. En désentrelaçant des propriétés clés telles que 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 conventionnelles d’apprentissage automatique. De plus, il produit des résultats clairs et interprétables qui mettent en évidence les caractéristiques d’un matériau qui influencent le plus les prédictions.
L’auto-encodeur variationnel démêlé (D-VAE) sépare les propriétés des matériaux de l’espace latent par conditionnement pour rendre la conception des matériaux inverses plus efficace et transparente. Il combine des données étiquetées et non étiquetées pour une plus grande efficacité et aide à comprendre pourquoi des matériaux spécifiques sont choisis. Crédit : Cheng Zeng, Roux Institute de la Northeastern University
Pourquoi est-ce important ?
Les modèles d’IA nécessitent souvent d’énormes quantités de données et ont du mal 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 avancée de matériaux et renforce la confiance dans le processus de conception de matériaux.
Le Dr Zeng explique : « Cette méthode peut être adaptée à un large éventail d’applications, depuis la conception de nouveaux matériaux jusqu’à la résolution d’autres défis d’ingénierie où il existe une relation entrée-sortie. »
Quelle est la prochaine étape ?
Alors que les chercheurs prévoient d’affiner la méthode de conception de matériaux dotés de propriétés multiples et de prédictions tenant compte de l’incertitude, cette étude représente une étape importante vers une conception de matériaux basée sur l’IA plus efficace et plus interprétable. .
Article : ‘Conception de matériaux inverses efficace et interprétable à l’aide d’un auto-encodeur variationnel démêlé’ / ( 10.55092/aimat20250002 ) – ELSP – Publication dans la revue AI & Materials / 17-Dec-2024
#Une #nouvelle #méthode #dIA #rend #conception #des #matériaux #efficace