Dans les années récentes, les efforts de recherche tels que la Materials Genome Initiative et le Materials Project ont produit une multitude d'outils informatiques pour la conception de nouveaux matériaux utiles pour une gamme d'applications, de l'énergie et de l'électronique à l'aéronautique et au génie civil.

Mais le développement des procédés de production de ces matériaux a continué à dépendre d'une combinaison d'expérience, intuition, et des revues de littérature manuelles.

Une équipe de chercheurs du MIT, l'Université du Massachusetts à Amherst, et l'Université de Californie à Berkeley espèrent combler ce fossé entre l'automatisation de la science des matériaux, avec un nouveau système d'intelligence artificielle qui examinerait les documents de recherche pour en déduire des "recettes" pour produire des matériaux particuliers.

« Les scientifiques des matériaux informatiques ont fait beaucoup de progrès dans le « quoi » faire - quel matériau concevoir en fonction des propriétés souhaitées, " dit Elsa Olivetti, le professeur adjoint d'Atlantic Richfield en études énergétiques au Département de science et d'ingénierie des matériaux (DMSE) du MIT. "Mais à cause de ce succès, le goulot d'étranglement s'est déplacé vers, 'D'accord, maintenant comment puis-je le faire?'"

Les chercheurs envisagent une base de données contenant des recettes de matériaux extraites de millions d'articles. Les scientifiques et les ingénieurs pouvaient saisir le nom d'un matériau cible et tout autre critère :matériaux précurseurs, conditions de réaction, processus de fabrication et extraire les recettes suggérées.

Comme étape vers la réalisation de cette vision, Olivetti et ses collègues ont développé un système d'apprentissage automatique qui peut analyser un document de recherche, en déduire lequel de ses paragraphes contient des recettes de matériaux, et classer les mots dans ces paragraphes selon leurs rôles dans les recettes :noms des matériaux cibles, quantités numériques, noms des équipements, des conditions de fonctionnement, adjectifs descriptifs, etc.

Dans un article paru dans le dernier numéro de la revue Chimie des Matériaux , ils démontrent également qu'un système d'apprentissage automatique peut analyser les données extraites pour déduire des caractéristiques générales de classes de matériaux, telles que les différentes plages de températures requises par leur synthèse, ou des caractéristiques particulières de matériaux individuels, telles que les différentes formes physiques qu'ils prendront. lorsque leurs conditions de fabrication varient.

Olivetti est l'auteur principal de l'article, et elle est rejointe par Edward Kim, un étudiant diplômé du MIT en DMSE ; Kévin Huang, un post-doctorant DMSE; Adam Saunders et Andrew McCallum, informaticiens à UMass Amherst; et Gerbrand Ceder, un professeur de chancelier au département de science et d'ingénierie des matériaux à Berkeley.

Combler les lacunes

Les chercheurs ont entraîné leur système à l'aide d'une combinaison de techniques d'apprentissage automatique supervisées et non supervisées. « Supervisé » signifie que les données d'entraînement fournies au système sont d'abord annotées par des humains ; le système essaie de trouver des corrélations entre les données brutes et les annotations. « Non supervisé » signifie que les données d'entraînement ne sont pas annotées, et le système apprend à la place à regrouper les données en fonction des similitudes structurelles.

Parce que l'extraction de matières-recettes est un nouveau domaine de recherche, Olivetti et ses collègues n'avaient pas le luxe de des ensembles de données annotés accumulés au fil des années par diverses équipes de chercheurs. Au lieu, ils devaient annoter eux-mêmes leurs données - en fin de compte, environ 100 articles.

Selon les normes d'apprentissage automatique, c'est un ensemble de données assez petit. Pour l'améliorer, ils ont utilisé un algorithme développé chez Google appelé Word2vec. Word2vec examine les contextes dans lesquels les mots apparaissent - les rôles syntaxiques des mots dans les phrases et les autres mots qui les entourent - et regroupe les mots qui ont tendance à avoir des contextes similaires. Donc, par exemple, si un papier contenait la phrase "Nous avons chauffé le tétrachlorure de titane à 500 C, " et un autre contenait la phrase " L'hydroxyde de sodium a été chauffé à 500 C, " Word2vec regrouperait " le tétrachlorure de titane " et " l'hydroxyde de sodium ".

Avec Word2vec, les chercheurs ont pu élargir considérablement leur ensemble de formation, puisque le système d'apprentissage automatique pouvait déduire qu'une étiquette attachée à un mot donné était susceptible de s'appliquer à d'autres mots regroupés avec lui. Au lieu de 100 papiers, les chercheurs ont ainsi pu entraîner leur système sur environ 640, 000 papiers.

Le sommet de l'iceberg

Pour tester la précision du système, cependant, ils devaient se fier aux données étiquetées, puisqu'ils n'avaient aucun critère pour évaluer sa performance sur les données non étiquetées. Dans ces tests, le système a pu identifier avec une précision de 99 % les paragraphes contenant des recettes et étiqueter avec une précision de 86 % les mots contenus dans ces paragraphes.

Les chercheurs espèrent que d'autres travaux amélioreront la précision du système, et dans le travail en cours, ils explorent une batterie de techniques d'apprentissage en profondeur qui peuvent faire d'autres généralisations sur la structure des recettes de matériaux, dans le but de concevoir automatiquement des recettes pour des matériaux non pris en compte dans la littérature existante.

Une grande partie des recherches antérieures d'Olivetti se sont concentrées sur la recherche de moyens plus rentables et respectueux de l'environnement pour produire des matériaux utiles, et elle espère qu'une base de données de recettes de matériaux pourrait encourager ce projet.

"C'est un travail marquant, " dit Ram Seshadri, le professeur Fred et Linda R. Wudl de science des matériaux à l'Université de Californie à Santa Barbara. « Les auteurs ont relevé le défi difficile et ambitieux de capturer, grâce à des méthodes d'IA, stratégies employées pour la préparation de nouveaux matériaux. Le travail démontre la puissance de l'apprentissage automatique, mais il serait exact de dire que le juge final du succès ou de l'échec exigerait de convaincre les praticiens que l'utilité de telles méthodes peut leur permettre d'abandonner leurs approches plus instinctives.

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.