Une équipe de recherche en ingénierie du Texas A&M exploite la puissance de l'apprentissage automatique, la science des données et la connaissance du domaine des experts pour découvrir de manière autonome de nouveaux matériaux.

L'équipe a développé et démontré un cadre autonome et efficace capable d'explorer de manière optimale un espace de conception de matériaux (l'espace de conception de matériaux est une abstraction du monde concret. C'est l'espace de tous les matériaux possibles à l'étude, caractérisés par des caractéristiques matérielles fondamentales).

Un système autonome - ou agent d'intelligence artificielle (IA) - est défini comme tout système capable de construire une représentation interne, ou modèle, du problème d'intérêt, et qui utilise ensuite le modèle pour prendre des décisions et entreprendre des actions indépendantes de l'implication humaine.

Les auteurs de ce travail interdisciplinaire sont le Dr Anjana Talapatra et le Dr Raymundo Arroyave du Département de science et génie des matériaux, et Shahin Boluki, Dr Xiaoning Qian et Dr Edward Dougherty du Département de génie électrique et informatique.

Leur cadre autonome est capable de sélectionner de manière adaptative les meilleurs modèles d'apprentissage automatique pour trouver le matériau optimal répondant à des critères donnés. Leurs recherches, financé par la National Science Foundation et l'Air Force Office of Scientific Research, réduira le temps et les coûts passés du laboratoire au marché en garantissant la plus grande efficacité possible dans la recherche du bon matériau.

La théorie mathématique sous-jacente a de nombreuses applications, y compris affectant le domaine de la biomédecine. Par exemple, avec leur cadre bayésien d'apprentissage et de conception d'expériences, une maladie peut être modélisée pour découvrir des facteurs de risque critiques afin de développer des traitements efficaces pour des patients spécifiques et de réduire le coût des essais cliniques humains.

« Les matériaux de pointe sont essentiels à la sécurité économique et au bien-être humain, avec des applications dans les industries visant à relever les défis de l'énergie propre, la sécurité nationale et le bien-être humain, pourtant, la mise sur le marché d'un matériau après sa découverte initiale peut prendre 20 ans ou plus.—Materials Genome Initiative

L'équipe a voulu tester le framework de manière exhaustive, ils ont donc effectué la démonstration dans une plate-forme de calcul en boucle fermée, utiliser la mécanique quantique pour prédire les propriétés des phases MAX, qui sont des matériaux prometteurs pour des applications à haute température, y compris de nouveaux revêtements résistants à l'oxydation pour les aubes de turbine de moteur à réaction. Le groupe Texas A&M applique également le cadre à la découverte d'alliages à mémoire de forme à haute température qui peuvent être utilisés pour construire des véhicules aérospatiaux avec des ailes morphing, par exemple.

Innovation autonome

Des recherches importantes sur les techniques de conception d'expériences efficaces ont déjà été effectuées. Cependant, cette équipe est la première à utiliser une technique bayésienne (c'est-à-dire à faire le point sur tout ce qui est connu sur un matériau/une classe de matériau et à exploiter cette connaissance pour trouver le meilleur matériau) et à l'utiliser de manière autonome, rechercher en permanence non seulement le prochain meilleur calcul/expérience à exécuter, mais également le meilleur modèle pour représenter les données acquises.

« L'exploration accélérée de l'espace des matériaux pour identifier des configurations aux propriétés optimales est un défi permanent, " dit Talapatra, qui travaille comme informaticien dans le laboratoire Computational Materials d'Arroyave. « Les paradigmes actuels sont centrés sur l'idée d'effectuer cette exploration par le biais d'expérimentations et/ou de calculs à haut débit. Ces approches ne tiennent pas compte des contraintes de ressources disponibles. Nous avons résolu ce problème en encadrant la découverte de matériaux comme une conception d'expérience optimale. »

Les méthodes présentées dans cette recherche sont flexibles et adaptables à différentes situations de recherche. Significativement, L'algorithme de Talapatra et Boluki peut fonctionner avec très peu de données initiales, le rendant idéal pour la recherche de nouveaux matériaux.

L'algorithme représente un pas en avant plus intelligent par rapport aux travaux antérieurs dans le domaine. D'autres algorithmes obligent à partir d'un modèle prédéfini, ce qui introduit une contrainte dans l'expérience et peut fausser les résultats. "Notre algorithme peut décider automatiquement et de manière autonome quel modèle est le meilleur parmi n modèles, n'importe quand, en fonction des données acquises, " a déclaré Talapatra. Le programme informatique autonome réduit le nombre d'étapes et limite l'utilisation de ressources limitées. Puisqu'il peut démarrer avec aussi peu que deux expériences comme points de données initiaux, l'algorithme est idéal pour optimiser les expériences initiales et discerner la meilleure voie à suivre.

Il peut être utilisé comme un outil en une étape par les expérimentateurs pour simplement décider du prochain matériau à explorer, ou en tant qu'outil purement informatique pour remplacer des modèles informatiques coûteux et réduire les coûts de calcul. Il peut également être utilisé dans une configuration expérimentale et informatique combinée. Tout au moins, ce cadre fournit un moyen très efficace de construire l'ensemble de données initial car il peut être utilisé pour guider des expériences ou des calculs en se concentrant sur la collecte de données dans les sections de l'espace de conception des matériaux qui se traduira par le chemin le plus efficace pour atteindre le matériau optimal.

"Typiquement, la recherche sur les matériaux se fait de manière très ponctuelle et le hasard a tendance à être la règle, plutôt que l'exception, " a déclaré Talapatra. " Le problème est que vous ne connaissez souvent pas la physique fondamentale derrière laquelle un matériau fonctionne ou ne fonctionne pas. Nos modèles ne sont pas assez précis. Lorsque vous commencez un voyage de découverte de matériaux, vous commencez avec les connaissances physiques très basiques, comme le nombre d'électrons et ce qui se passe lorsque les éléments se rejoignent. Il faut trouver les similitudes entre les caractéristiques et les propriétés."

"Nous avons inclus autant de science que possible dans les modèles (d'intelligence artificielle), " dit Boluki, un doctorant qui soutiendra sa thèse à l'automne prochain. Boluki et Talapatra ont travaillé en tant que responsables de la mise en œuvre du projet et l'ont codé en python ensemble.

L'article sur l'algorithme a été examiné par des pairs, présenté lors de plusieurs conférences et reçu de bons retours de la communauté de la science et de l'ingénierie des matériaux. Les ingénieurs et scientifiques de Texas A&M utilisent déjà le programme.

De la pathologie cellulaire à la science des matériaux :les fondements mathématiques

En 2011, Qian et Dougherty ont commencé à collaborer pour améliorer la conception d'expériences dans la recherche biomédicale. Ils ont utilisé des modèles mathématiques pour voir quand les cellules passent au stade tumoral.

Cette même année, les décideurs fédéraux ont annoncé la Materials Genome Initiative, qui vise à accélérer la découverte de nouveaux matériaux avancés en combinant l'utilisation d'outils informatiques et expérimentaux avec des données numériques. Au cours des huit dernières années, à l'échelle nationale, Beaucoup de temps, de l'argent et des ressources ont été investis dans cet effort.

Qian et Dougherty se sont concentrés sur les problèmes de science des matériaux en 2013. L'équipe a commencé à travailler sur des problèmes de conception optimale il y a deux ans, initially collaborating with Drs. Turab Lookman and Prasanna Balachandran from Los Alamos National Laboratory. Current paradigms are typically centered around the idea of exploring the materials space through experimentation or computation and their approach showed that there are more efficient ways of discovering materials.

"While other people were focusing on the generation and analysis of huge amounts of data, we realized that the best way forward was to focus on experiment design—how to explore the vast domain of possible materials and increase our chances of success by choosing materials with a goal, target property, or response in mind, " said Talapatra.

The research is published in the paper, "Autonomous efficient experiment design for materials discovery with Bayesian model averaging", dans Physical Review Materials .