Des chercheurs de l'Université de Waterloo ont trouvé une meilleure façon d'identifier les structures atomiques, une étape essentielle dans l'amélioration de la sélection des matériaux dans l'aéronautique, les secteurs de la construction et de l'automobile.

Les résultats de l'étude pourraient donner une plus grande confiance lors de la détermination de l'intégrité des métaux.

Devinder Kumar, un doctorat candidat en ingénierie de conception de systèmes à Waterloo, collaboré avec le Fritz Haber Institute (FHI) à Berlin, développer un puissant modèle d'IA capable de détecter avec précision différentes structures atomiques dans les matériaux métalliques. Le système peut détecter des imperfections dans le métal qui étaient auparavant indétectables.

"Partout où vous avez des métaux, vous voulez connaître la consistance, et cela ne peut pas être fait dans les scénarios pratiques actuels car les méthodes actuelles ne parviennent pas à identifier la symétrie dans des conditions imparfaites, " dit Kumar, qui est membre du groupe de recherche Vision and Image Processing sous la supervision d'Alexander Wong, professeur à Waterloo et titulaire de la Chaire de recherche du Canada dans le domaine de l'intelligence artificielle.

"Donc, cette nouvelle méthode d'évaluation des matériaux métalliques conduira à une meilleure conception globale des matériaux et a le potentiel d'affecter toutes les industries où vous avez besoin de propriétés de conception de matériaux.

FHI a proposé un nouveau scénario qui peut créer artificiellement des données liées au monde réel. Kumar et ses collaborateurs ont pu l'utiliser pour générer environ 80, 000 images des différents types de défauts et de déplacements pour produire un modèle d'IA très efficace pour identifier divers types de structures cristallines dans des scénarios pratiques. Ces données ont été rendues publiques afin que les gens puissent réellement apprendre leurs propres algorithmes.

"En théorie, tous les matériaux métalliques ont une symétrie parfaite, et tous les articles sont au bon endroit, mais dans la pratique pour diverses raisons telles que la fabrication bon marché, il y a des défauts, " a déclaré Kumar. " Toutes ces méthodes actuelles échouent lorsqu'elles essaient de faire correspondre les structures idéales réelles, la plupart d'entre eux échouent quand il y a même un pour cent de défaut."

"Nous avons créé un algorithme ou un modèle basé sur l'IA qui peut classer ces types de symétries jusqu'à 40% de défauts."

L'étude, Classification perspicace des structures cristallines à l'aide de l'apprentissage en profondeur, a été publié récemment dans la revue Communication Nature .