En utilisant l'apprentissage automatique, algorithmes évolutionnaires et autres techniques de calcul avancées, des chercheurs du Lawrence Livermore National Laboratory (LLNL) ont réussi à modéliser la façon dont les atomes sont disposés entre les cristaux qui composent la plupart des matériaux, un développement qui pourrait avoir un impact sur la conception et l'optimisation des futurs matériaux.

Alors que la plupart des matériaux peuvent apparaître à l'œil nu comme des solides uniformes, ils sont en fait composés de minuscules cristallites ou grains séparés au niveau atomique par des interfaces que les scientifiques appellent joints de grains. En raison de leur importance pour les propriétés et les fonctions des matériaux, les structures de ces joints de grains ont été largement étudiées. Cependant, chercher à la main parmi les milliards de structures possibles et essayer de prédire leur comportement a été un exercice futile.

Chercheurs au LLNL, l'Université du Nevada-Las Vegas, L'Université Stony Brook et l'UC Davis ont conçu une méthode basée sur des algorithmes évolutionnaires et un apprentissage automatique capable de parcourir le vaste espace de la façon dont les atomes dans les joints de grains peuvent être agencés et de prédire comment ils interagiront dans certaines conditions. Les scientifiques ont déclaré que la méthode fournit enfin un moyen de prédire les propriétés des matériaux et pourrait conduire à des avancées majeures dans le développement de matériaux plus résistants, plus de résistance à la chaleur ou une conductivité plus élevée. Le papier a été présenté à The Minerals, Conférence internationale 2018 de la Metals &Materials Society à Phoenix plus tôt cette année.

"Ce que nous avons développé est le premier outil de calcul en son genre qui échantillonne efficacement les structures possibles des joints de grains et trouve des structures à basse énergie ainsi que des états métastables importants, " a déclaré Timofey Frolov, scientifique du LLNL, le chercheur principal du projet. "Ce qui est surprenant et choquant, c'est que nous pensions avoir compris les structures des frontières, mais nous ne le faisons pas. Essentiellement, nous partons de zéro maintenant parce que de nombreuses frontières que nous examinons ont une structure différente de ce que nous pensions auparavant."

La composition atomistique des joints de grains est fondamentale pour la façon dont certains matériaux se comporteront ou changeront de phase (c'est-à-dire de solide à liquide) dans des conditions telles qu'une chaleur intense ou une pression extrême. L'utilisation de l'apprentissage automatique pour explorer les structures possibles et la capacité de les modéliser informatiquement pourraient avoir un impact significatif sur la conception de matériaux pour une large gamme d'applications énergétiques, y compris les piles à combustible à l'état solide, thermoélectrique pour la production d'électricité, capteurs d'oxygène, fibres optiques, commutateurs, amplificateurs laser et lentilles, ont dit les scientifiques.

"Il y a eu une révolution ces dernières années en utilisant l'apprentissage automatique pour obtenir des choses auxquelles vous ne pouviez pas auparavant, et la recherche d'une structure de joint de grain donnait des résultats incorrects - vous avez besoin de la puissance de ces techniques modernes pour trouver la bonne réponse, " a déclaré Robert Rudd, chef du groupe LLNL Computational Materials Science. " De nombreux changements technologiques que nous avons observés au cours des dernières décennies ont été rendus possibles par des matériaux qui n'existaient pas auparavant, donc permettre et optimiser la conception de ces structures va changer la donne."

Les chercheurs ont créé et caractérisé le nouveau modèle en utilisant du cuivre et l'ont démontré et testé avec succès avec du silicium, tungstène et autres matériaux. Il est également déjà mis en œuvre dans le cadre du programme d'énergie de fusion de LLNL. Frolov a déclaré qu'il souhaitait développer davantage la méthode des céramiques fonctionnelles dans des systèmes comportant de nombreux éléments, qui présentent des transitions fascinantes et compliquées à haute température.

"Un grand nombre d'études expérimentales récentes ont démontré des changements spectaculaires dans le comportement de croissance des grains dans les matériaux céramiques lors du dopage et ont lié ces changements aux transitions structurelles aux joints de grains, " Frolev a déclaré. "Par exemple, une formation de grains anormalement gros peut changer radicalement les propriétés d'un matériau, mais difficile à prévoir ou à contrôler. Notre nouvelle méthode fournit la première preuve solide de transitions aux joints de grains. Nous pouvons maintenant prédire différents états des joints de grains et expliquer les changements brusques de propriétés des matériaux observés expérimentalement."