Des scientifiques de l'Université de Caroline du Nord à Chapel Hill et de l'Université Duke ont créé la première méthode à usage général pour utiliser l'apprentissage automatique pour prédire les propriétés de nouveaux métaux, céramiques et autres matériaux cristallins et de trouver de nouvelles utilisations pour les matériaux existants, une découverte qui pourrait économiser d'innombrables heures perdues dans le processus d'essais et d'erreurs pour créer de nouveaux et meilleurs matériaux.
Des chercheurs dirigés par Olexandr Isayev, Doctorat., et Alexandre Tropsha, Doctorat., à l'UNC Eshelman School of Pharmacy a utilisé des données sur environ 60, 000 matériaux uniques de la base de données de structure cristalline inorganique de l'Institut national des normes et de la technologie pour créer une nouvelle méthodologie qu'ils appellent Fragments de matériaux étiquetés par propriétés.
Utiliser l'apprentissage automatique pour analyser et modéliser les structures cristallines existantes, la méthode PLMF est capable de prédire les propriétés de nouveaux matériaux proposés par les scientifiques et les ingénieurs. L'outil a même pu remplir les valeurs manquantes pour les propriétés des matériaux dans la base de données du NIST qui n'avaient jamais été testées expérimentalement.
« La technologie est souvent portée par la découverte de nouveaux matériaux, mais le processus de découverte de ces matériaux a toujours été plutôt aléatoire, " a déclaré Tropsha. " Notre nouvel outil applique l'approche axée sur les données et les connaissances que nous utilisons dans les sciences pharmaceutiques pour concevoir des médicaments. Parce que la création de nouveaux matériaux prend un temps et des efforts incroyables qui se terminent souvent par une déception, notre outil PLMF permet aux scientifiques des matériaux de tester une nouvelle idée avant même de lever le petit doigt pour la synthétiser."
Tropsha est le K.H. Lee Professeur distingué à l'École et directeur du Laboratoire de modélisation moléculaire. Isayev est professeur assistant de recherche. Leurs travaux ont été publiés dans Communication Nature , et l'outil PLMF est accessible au public en tant qu'application Web conviviale à l'adresse http://aflow.org/aflow-ml.
La méthode PLMF fonctionne en créant des "empreintes digitales" à partir de la structure des cristaux qui comprennent les plus petites unités de matériaux inorganiques comme la céramique, métaux et alliages métalliques. La combinaison des empreintes digitales et de l'apprentissage automatique a permis la création de modèles universels capables de prédire avec précision huit propriétés électroniques et thermomécaniques critiques de pratiquement n'importe quel matériau cristallin inorganique. Les propriétés comprennent la conductivité, rigidité et compressibilité, transfert de chaleur et réponse au changement de température, et l'équipe prévoit d'incorporer plus de propriétés à mesure qu'elle collecte plus de données, dit Isaïev.
« Dans de nombreux projets pratiques, les gens connaissent la gamme de valeurs qu'ils veulent pour une propriété particulière, " a déclaré Isayev. " Nous pouvons tirer parti de ce que nous savons sur ces matériaux et d'un apprentissage automatique avisé pour sélectionner rapidement les matériaux potentiels pour la bonne propriété. Les chercheurs peuvent rapidement affiner les matériaux candidats et éviter de nombreux calculs superflus et complexes. Cela permet d'économiser de l'argent, temps et ressources de calcul."
Dans la première application pratique de l'apprentissage automatique, l'équipe a travaillé avec le professeur adjoint Jim Cahoon, Doctorat., au département de chimie de l'UNC pour concevoir un nouveau matériau d'électrode pour un type de cellules solaires à faible coût. L'oxyde de nickel actuellement utilisé, n'est pas très efficace, toxique et nécessite des solvants organiques pour fonctionner dans la cellule.
Les scientifiques en ont virtuellement passé au crible 50, 000 composés inorganiques connus et le titanate de plomb identifié comme le matériau le plus prometteur et les tests ultérieurs l'ont confirmé. Les appareils utilisant le titanate de plomb ont montré les meilleures performances en solution aqueuse, permettant de passer des solvants à une solution à base d'eau qui pourrait aider à réduire les coûts tout en étant plus respectueux de l'environnement.
"Le titanate de plomb n'aurait probablement pas été le premier choix de la plupart des scientifiques des matériaux parce que sa structure est si différente de l'oxyde de nickel, " dit Isayev. " Les matériaux dérivés du fer, le cobalt ou le cuivre seraient plus susceptibles d'être pris en considération parce qu'ils sont chimiquement plus similaires au nickel. Le PLMF et l'apprentissage automatique ont trouvé des solutions simples et novatrices qui ont permis d'économiser d'innombrables heures de recherche par essais et erreurs."
