L'apprentissage automatique et l'intelligence artificielle sont de plus en plus utilisés dans la recherche en science des matériaux. Par exemple, Juejun "JJ" Hu, professeur agrégé de science et d'ingénierie des matériaux au MIT, a développé un algorithme qui améliore les performances d'un spectromètre à puce, et Atlantic Richfield, professeure agrégée d'études énergétiques, Elsa A. Olivetti, a construit un système d'intelligence artificielle qui parcourt les articles scientifiques pour en déduire des «recettes» de science des matériaux.

Ces professeurs et d'autres du MIT, ainsi que le conférencier principal Brian Storey, directeur de la conception et de la découverte accélérées des matériaux du Toyota Research Institute, discutera des idées et des percées dans leurs recherches à l'aide de l'apprentissage automatique lors du symposium annuel de la Journée des matériaux du MIT Materials Research Laboratory mercredi, 9 octobre à l'Auditorium Kresge.

Le professeur agrégé Hu a récemment expliqué ce qui a conduit à son spectromètre révolutionnaire, et pourquoi il est optimiste sur le fait que l'apprentissage automatique et l'intelligence artificielle deviennent un outil quotidien dans la recherche sur les matériaux.

Q :Votre travail sur le spectromètre a notamment utilisé des techniques d'apprentissage automatique. Comment la nouvelle approche change-t-elle le processus de découverte en science des matériaux ?

R : En gros, nous avons développé une nouvelle technologie de spectromètre qui nous permet de réduire de gros composants sur une petite puce de silicium tout en conservant des performances élevées. Nous avons développé un algorithme qui nous permet d'extraire les informations avec un bien meilleur rapport signal/bruit. Nous avons validé l'algorithme pour de nombreux types de spectre différents. L'algorithme identifie des couleurs de lumière distinctes en comparant deux mesures répétées pour atténuer l'impact des bruits de mesure. L'algorithme améliore la résolution de 100 pour cent par rapport aux limites du manuel, appelé les limites de Rayleigh.

Q :Comment utilisez-vous l'apprentissage automatique pour identifier de nouveaux matériaux et conceptions optiques pour votre travail sur les lentilles infrarouges moyennes composées de réseaux d'antennes optiques ?

R : Nous collaborons avec un groupe de l'UMass [l'Université du Massachusetts] pour développer un algorithme d'apprentissage en profondeur pour la conception de « métasurfaces, " qui sont une sorte de dispositif optique où au lieu d'utiliser une courbure géométrique conventionnelle pour construire, dire, une lentille, vous utilisez un réseau d'antennes optiques spécialement conçues pour conférer un retard de phase à la lumière entrante, et donc nous pouvons réaliser toutes sortes de fonctionnalités. Un gros problème avec les métasurfaces est que conventionnellement, quand les gens concevraient ces métasurfaces, ils le feraient essentiellement par essais et erreurs.

Nous avons mis en place un algorithme de deep learning. L'algorithme nous permet de l'entraîner avec des données existantes. Alors que nous l'entraînons, finalement l'algorithme devient "intelligent". L'algorithme peut évaluer la maniabilité des formes irrégulières qui vont au-delà des formes conventionnelles comme les cercles et les rectangles. Il peut reconnaître les connexions cachées entre les géométries complexes et la réponse électromagnétique, ce qui n'est généralement pas anodin, et il peut trouver ces relations cachées plus rapidement que les simulations conventionnelles à grande échelle. L'algorithme peut également filtrer les combinaisons potentielles de matériaux et de fonctions qui ne fonctionneront tout simplement pas. Si vous utilisez des méthodes conventionnelles, vous devez perdre beaucoup de temps pour épuiser tout l'espace de conception possible et ensuite arriver à cette conclusion, mais maintenant, notre algorithme peut vous le dire très rapidement.

Q :Quelles autres avancées facilitent l'utilisation de l'apprentissage automatique en science des matériaux ?

R : L'autre chose que nous constatons, c'est que maintenant nous avons également un accès beaucoup plus facile à des outils très puissants, des installations de calcul basées sur le cloud qui sont disponibles dans le commerce. Donc, cette combinaison de matériel, un accès facile, des ressources de calcul très puissantes, et les nouveaux algorithmes, c'est ce qui nous permet de faire de nouvelles innovations. De nouveau, par exemple, avec des métasurfaces, si vous regardez d'anciens modèles, les gens utilisaient à peu près des géométries régulières comme des cercles, carrés, rectangles, mais nous, ainsi que beaucoup d'autres dans la communauté, sont maintenant tous en train de passer à des dispositifs optiques topologiquement optimisés. Et pour concevoir ces structures, la combinaison de nouveaux algorithmes et de puissantes ressources de calcul est la clé pour concevoir d'énormes dispositifs tels que macroscopiques, optique topologiquement optimisée dans l'espace tridimensionnel.

Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche du MIT, innovation et enseignement.