Les couches nanostructurées possèdent d'innombrables propriétés potentielles, mais comment identifier la plus appropriée sans aucune expérience à long terme ? Une équipe du département Materials Discovery de la Ruhr-Universität Bochum (RUB) a tenté un raccourci :en utilisant un algorithme d'apprentissage automatique, les chercheurs ont pu prédire de manière fiable les propriétés d'une telle couche. Leur rapport a été publié dans la nouvelle revue Supports de communication à partir du 26 mars 2020.

Poreux ou dense, colonnes ou fibres

Lors de la fabrication de films minces, de nombreuses variables de contrôle déterminent l'état de la surface et, par conséquent, ses propriétés. Les facteurs pertinents comprennent la composition de la couche ainsi que les conditions du procédé lors de sa formation, comme la température. L'ensemble de ces éléments aboutit à la création d'une couche poreuse ou dense lors du processus de revêtement, avec des atomes se combinant pour former des colonnes ou des fibres. "Afin de trouver les paramètres optimaux pour une application, il était nécessaire de faire d'innombrables expériences dans des conditions différentes et avec des compositions différentes; c'est un processus incroyablement complexe, " explique le professeur Alfred Ludwig, Responsable de l'équipe de découverte de matériaux et d'interfaces.

Les résultats obtenus par de telles expériences sont des diagrammes de zones de structure, à partir de laquelle la surface d'une certaine composition résultant de certains paramètres de processus peut être lue. "Les chercheurs expérimentés peuvent ensuite utiliser un tel diagramme pour identifier l'emplacement le plus approprié pour une application et en déduire les paramètres nécessaires pour produire la couche appropriée, " souligne Ludwig. " L'ensemble du processus demande un effort énorme et prend beaucoup de temps. "

L'algorithme prédit la surface

S'efforçant de trouver un raccourci vers le matériau optimal, l'équipe a profité de l'intelligence artificielle, plus précisément l'apprentissage automatique. À cette fin, doctorat chercheur Lars Banko, avec des collègues du Centre interdisciplinaire de simulation de matériaux avancés de la RUB, Icams pour faire court, modifié un modèle dit génératif. Il a ensuite entraîné cet algorithme pour générer des images de la surface d'une couche modèle d'aluminium minutieusement étudiée, chrome et azote en utilisant des paramètres de processus spécifiques, afin de prédire à quoi ressemblerait la couche dans les conditions respectives.

"Nous avons alimenté l'algorithme avec une quantité suffisante de données expérimentales afin de l'entraîner, mais pas avec toutes les données connues, " souligne Lars Banko. Ainsi, les chercheurs ont pu comparer les résultats des calculs avec ceux des expériences et analyser la fiabilité de sa prédiction. Les résultats ont été concluants :« Nous avons combiné cinq paramètres et avons pu regarder dans cinq directions simultanément à l'aide de l'algorithme, sans avoir à effectuer la moindre expérience, " souligne Alfred Ludwig. " Nous avons ainsi montré que les méthodes d'apprentissage automatique peuvent être transférées à la recherche de matériaux et peuvent aider à développer de nouveaux matériaux à des fins spécifiques. "