Pour les ingénieurs développant de nouveaux matériaux ou revêtements de protection, il y a des milliards de possibilités différentes à trier. Des tests en laboratoire ou même des simulations informatiques détaillées pour déterminer leurs propriétés exactes, comme la ténacité, peut prendre des heures, jours, ou plus pour chaque variante. Maintenant, une nouvelle approche basée sur l'intelligence artificielle développée au MIT pourrait réduire cela à quelques millisecondes, ce qui rend pratique le criblage de vastes gammes de matériaux candidats.

Le système, que les chercheurs du MIT espèrent pouvoir utiliser pour développer des revêtements protecteurs ou des matériaux structurels plus résistants, par exemple, pour protéger les aéronefs ou les engins spatiaux des impacts - est décrit dans un article de la revue Question , par le postdoctorant MIT Chi-Hua Yu, professeur de génie civil et environnemental et chef de département Markus J. Buehler, et Yu-Chuan Hsu à l'Université nationale de Taiwan.

L'objectif de ce travail était de prédire la façon dont un matériau se briserait ou se briserait, en analysant la propagation des fissures à travers la structure moléculaire du matériau. Buehler et ses collègues ont passé de nombreuses années à étudier en détail les fractures et autres modes de défaillance, étant donné que la compréhension des processus de défaillance est essentielle pour développer des processus robustes, matériaux fiables. "L'une des spécialités de mon laboratoire est d'utiliser ce qu'on appelle des simulations de dynamique moléculaire, ou essentiellement des simulations atome par atome" de tels processus, dit Buehler.

Ces simulations fournissent une description chimiquement précise de la façon dont la fracturation se produit, il dit. Mais c'est lent, car cela nécessite de résoudre des équations de mouvement pour chaque atome. « Il faut beaucoup de temps pour simuler ces processus, " dit-il. L'équipe a décidé d'explorer des moyens de rationaliser ce processus, à l'aide d'un système d'apprentissage automatique.

"On fait en quelque sorte un détour, " dit-il. " Nous avons demandé, et si vous aviez juste l'observation de la façon dont se produit la fracturation [dans un matériau donné], et laisser les ordinateurs apprendre cette relation eux-mêmes ?" Pour ce faire, les systèmes d'intelligence artificielle (IA) ont besoin d'une variété d'exemples à utiliser comme ensemble de formation, pour connaître les corrélations entre les caractéristiques du matériau et ses performances.

Dans ce cas, ils examinaient une variété de composites, revêtements stratifiés en matériaux cristallins. Les variables comprenaient la composition des couches et les orientations relatives de leurs structures cristallines ordonnées, et la façon dont ces matériaux ont chacun réagi à la fracturation, sur la base des simulations de dynamique moléculaire. "Nous simulons essentiellement, atome par atome, comment les matériaux se cassent, et nous enregistrons ces informations, " dit Buehler.

Ils ont minutieusement généré des centaines de telles simulations, avec une grande variété de structures, et soumis chacun à de nombreuses fractures simulées différentes. Ensuite, ils ont introduit de grandes quantités de données sur toutes ces simulations dans leur système d'IA, pour voir s'il pouvait découvrir les principes physiques sous-jacents et prédire les performances d'un nouveau matériel qui ne faisait pas partie de l'ensemble d'entraînement.

Et il l'a fait. "C'est la chose vraiment excitante, " Buehler dit, "parce que la simulation informatique via l'IA peut faire ce qui prend normalement très longtemps en utilisant la dynamique moléculaire, ou à l'aide de simulations par éléments finis, qui sont une autre façon dont les ingénieurs résolvent ce problème, et c'est aussi très lent. Donc, c'est une toute nouvelle façon de simuler la défaillance des matériaux."

La défaillance des matériaux est une information cruciale pour tout projet d'ingénierie, Buehler souligne. Les défaillances de matériaux telles que les fractures sont "l'une des principales causes de pertes dans toute industrie. Pour l'inspection d'avions, de trains ou de voitures, ou pour les routes ou les infrastructures, ou béton, ou la corrosion de l'acier, ou pour comprendre la fracture de tissus biologiques tels que l'os, la possibilité de simuler la fracturation avec l'IA, et le faire rapidement et très efficacement, est un vrai changeur de jeu."

L'amélioration de la vitesse produite par l'utilisation de cette méthode est remarquable. Hsu explique que « pour des simulations simples en dynamique moléculaire, il a fallu plusieurs heures pour exécuter les simulations, mais dans cette prédiction de l'intelligence artificielle, il ne faut que 10 millisecondes pour parcourir toutes les prédictions des modèles, et montrez comment une fissure se forme étape par étape."

La méthode qu'ils ont développée est assez généralisable, dit Buehler. "Même si dans notre article, nous ne l'avons appliqué qu'à un seul matériau avec des orientations cristallines différentes, vous pouvez appliquer cette méthodologie à des matériaux beaucoup plus complexes. le système pourrait également être utilisé pour faire des prédictions sur la base de données expérimentales telles que des images d'un matériau en cours de fracturation.

"Si nous avions un nouveau matériau que nous n'avons jamais simulé auparavant, " il dit, "si nous avons beaucoup d'images du processus de fracturation, nous pouvons également intégrer ces données dans le modèle d'apprentissage automatique. » Quelle que soit l'entrée, simulé ou expérimental, le système d'IA passe essentiellement par le processus évolutif image par image, noter en quoi chaque image diffère de la précédente afin d'apprendre la dynamique sous-jacente.

Par exemple, à mesure que les chercheurs utilisent les nouvelles installations du MIT.nano, l'installation de l'Institut dédiée à la fabrication et aux essais de matériaux à l'échelle nanométrique, de grandes quantités de nouvelles données sur une variété de matériaux synthétisés seront générées.

"Comme nous avons de plus en plus de techniques expérimentales à haut débit qui peuvent produire beaucoup d'images très rapidement, de manière automatisée, ce type de sources de données peut être immédiatement intégré au modèle d'apprentissage automatique, " dit Buehler. " Nous pensons vraiment que l'avenir sera celui où nous aurons beaucoup plus d'intégration entre l'expérience et la simulation, bien plus que par le passé."

Le système pourrait être appliqué non seulement à la fracturation, comme l'équipe l'a fait lors de cette première démonstration, mais à une grande variété de processus se déroulant au fil du temps, il dit, comme la diffusion d'un matériau dans un autre, ou processus de corrosion. "Chaque fois que vous avez des évolutions de champs physiques, et nous voulons savoir comment ces champs évoluent en fonction de la microstructure, " il dit, cette méthode pourrait être une aubaine.