Lawrence Livermore National Laboratory (LLNL) et ses partenaires s'appuient sur le développement et le déploiement en temps opportun de divers matériaux pour soutenir une variété de missions de sécurité nationale. Cependant, le développement et le déploiement de matériaux peuvent prendre de nombreuses années, de la découverte initiale d'un nouveau matériau au déploiement à grande échelle.

Une équipe interdisciplinaire de chercheurs du LLNL issus des Sciences Physiques et du Vivant, Les directions de l'informatique et de l'ingénierie développent des techniques d'apprentissage automatique pour éliminer les goulots d'étranglement dans le cycle de développement, et à son tour réduire considérablement le temps de déploiement.

L'un de ces goulots d'étranglement est la quantité d'efforts requis pour tester et évaluer les performances des matériaux candidats tels que TATB, un explosif puissant insensible qui intéresse à la fois le ministère de l'Énergie et le ministère de la Défense. Les échantillons TATB peuvent présenter différentes caractéristiques cristallines (par exemple, taille et texture) et par conséquent diffèrent considérablement en termes de performances en raison de légères variations dans les conditions dans lesquelles la réaction de synthèse s'est produite.

L'équipe LLNL étudie une nouvelle approche pour prédire les propriétés des matériaux. En appliquant la vision par ordinateur et l'apprentissage automatique basés sur des images de microscopie électronique à balayage (MEB) de poudre brute de TATB, ils ont évité le besoin de fabrication et de test physique d'une pièce. L'équipe a montré qu'il est possible d'entraîner des modèles pour prédire les performances des matériaux en se basant uniquement sur le SEM, démontrant une réduction d'erreur de 24 % par rapport à l'approche principale actuelle (c'est-à-dire, évaluation des experts du domaine et données instrumentales). En outre, l'équipe a montré que les modèles d'apprentissage automatique peuvent découvrir et utiliser des attributs cristallins informatifs, que les experts du domaine avaient sous-utilisé.

Selon Brian Gallagher, informaticien du LLNL, auteur principal d'un article paru dans la revue Materials and Design :« Notre objectif n'est pas seulement de prédire avec précision les performances des matériaux, mais pour fournir un retour d'information aux expérimentateurs sur la façon de modifier les conditions de synthèse pour produire des matériaux plus performants. Ces résultats nous rapprochent un peu plus de cet objectif."

Yong Han, scientifique des matériaux du LLNL, chercheur principal et auteur correspondant de l'article, a ajouté :« Notre travail démontre l'utilité d'appliquer de nouvelles approches d'apprentissage automatique pour résoudre les problèmes difficiles de la science des matériaux. Nous prévoyons d'étendre ce travail pour lutter contre la rareté des données, l'explicabilité, l'incertitude et le développement de modèles sensibles au domaine."