Les scientifiques du Lawrence Livermore National Laboratory (LLNL) ont fait un pas en avant dans la conception de futurs matériaux aux performances améliorées en analysant sa microstructure à l'aide de l'IA.

L'ouvrage a récemment été publié en ligne dans la revue Science des matériaux computationnelle .

Progrès technologiques dans les applications de la science des matériaux couvrant l'électronique, biomédical, énergie alternative, électrolyte, la conception du catalyseur et au-delà est souvent entravée par un manque de compréhension des relations complexes entre la microstructure du matériau sous-jacent et les performances du dispositif. Mais l'analyse de données basée sur l'IA offre des opportunités qui peuvent accélérer la conception et l'optimisation des matériaux en élucidant les corrélations de traitement-performance d'une manière mathématiquement traitable.

Les développements récents des méthodes d'"apprentissage en profondeur" basées sur des réseaux de neurones artificiels ont révolutionné le processus de découverte de relations aussi complexes à l'aide des données brutes elles-mêmes. Cependant, pour entraîner de manière fiable de grands réseaux, il faut des données provenant de dizaines de milliers d'échantillons, lequel, est malheureusement souvent prohibitif dans les nouveaux systèmes et les nouvelles applications en raison du coût de la préparation des échantillons et de la collecte des données. Dans de telles situations, des algorithmes innovants sont nécessaires pour extraire les « caractéristiques » ou les « descripteurs » les plus appropriés des données brutes de caractérisation expérimentale.

Par exemple, les explosifs brisants liés à des polymères constituent un système de matériaux important dont la microstructure biphasique tridimensionnelle peut :(1) varier considérablement en fonction des paramètres de traitement tels que la morphologie et la distribution granulométrique des particules à haute énergie, contenu du classeur, solvants/taux d'agitation, forces de pression, Température, etc.; (2) évoluer au cours du vieillissement des matériaux à long terme dans des conditions environnementales variables ; et (3) afficher une variation de performance en fonction de la microstructure et de l'âge de l'échantillon.

Bien que chaque microstructure 3D puisse être imagée de manière non destructive avec des tomodensitogrammes à rayons X (à plusieurs moments), le processus de collecte de données est long et coûteux, ce qui limite le nombre d'échantillons à quelques centaines. Le défi consiste à tirer le meilleur parti de ces données limitées pour découvrir les corrélations processus-microstructure-performance, quantifier les tendances de vieillissement à long terme, fournir des informations à micro-échelle sur les codes de simulation basés sur la physique, et concevoir de futurs matériaux avec des performances améliorées.

Une équipe de scientifiques des matériaux du LLNL et de scientifiques de la visualisation de données du LLNL et de l'Université de l'Utah a utilisé des méthodes récemment développées en topologie de champ scalaire et en théorie Morse pour extraire des caractéristiques récapitulatives utiles telles que le "nombre de grains" et la "surface de la limite interne" à partir des données brutes. Données de tomodensitométrie aux rayons X.

Ces variables de caractéristiques ont ensuite été analysées à l'aide de diverses techniques d'apprentissage automatique statistique, qui a permis à l'équipe de :(1) distinguer objectivement différentes microstructures résultant de différences de traitement; (2) suivre systématiquement l'évolution de la microstructure au cours du vieillissement ; et (3) construire des modèles de performance dépendant de la microstructure.

« En mettant davantage l'accent sur la recherche centrée sur les données inspirée de l'IA, le paradigme de la façon dont nous abordons la construction de modèles et la découverte de matériaux change rapidement, " selon l'auteur principal Amitesh Maiti. " Le rythme et la qualité des progrès dépendent essentiellement de ces collaborations multi-équipes qui rassemblent des connaissances et des compétences complémentaires. "

Selon les mots du chercheur principal du projet, Richard Gee :« Le développement et le déploiement de ces méthodes permettent d'identifier les effets complexes des paramètres de traitement et du vieillissement sur les performances des matériaux pertinents pour les stocks. Les informations qui en résultent devraient permettre l'optimisation de la conception des composants et la prédiction du changement de performance induit par l'âge à long terme, ce qui est d'une grande valeur pour l'amélioration des pratiques de surveillance."