Développer de nouveaux matériaux prend beaucoup de temps, argent et efforts. Récemment, une équipe de recherche POSTECH a franchi une étape vers la création de nouveaux matériaux en appliquant l'IA pour développer des alliages à haute entropie (HEA) qui sont appelés «alliages d'alliages».

Une équipe de recherche conjointe dirigée par le professeur Seungchul Lee, doctorat le candidat Soo Young Lee, Professeur Hyungyu Jin et Ph.D. Le candidat Seokyeong Byeon du Département de génie mécanique et le professeur Hyoung Seop Kim du Département de science et génie des matériaux ont développé ensemble une technique de prédiction de phase des HEA à l'aide de l'IA. Les résultats de l'étude ont été publiés dans le dernier numéro de Matériaux et conception , une revue internationale sur la science des matériaux.

Les matériaux métalliques sont classiquement fabriqués en mélangeant l'élément principal pour la propriété recherchée avec deux ou trois éléments auxiliaires. En revanche, Les HEA sont fabriqués avec des proportions égales ou similaires de cinq éléments ou plus sans élément principal. Les types d'alliages qui peuvent être fabriqués comme celui-ci sont théoriquement infinis et ont des propriétés mécaniques exceptionnelles, thermique, physique, et propriétés chimiques. Alliages résistants à la corrosion ou aux températures extrêmement basses, et des alliages à haute résistance ont déjà été découverts.

Cependant, jusqu'à maintenant, la conception de nouveaux matériaux d'alliage à haute entropie était basée sur des essais et des erreurs, nécessitant ainsi beaucoup de temps et d'argent. Il était encore plus difficile de déterminer à l'avance la phase et les propriétés mécaniques et thermiques de l'alliage à haute entropie en cours de développement.

Pour ça, l'équipe de recherche conjointe s'est concentrée sur le développement de modèles de prédiction sur les HEA avec une prédiction de phase et une expliquabilité améliorées à l'aide de l'apprentissage en profondeur. Ils ont appliqué l'apprentissage profond à travers trois perspectives :l'optimisation du modèle, génération de données et analyse des paramètres. En particulier, l'accent était mis sur la construction d'un modèle d'amélioration des données basé sur le réseau accusatoire génératif conditionnel. Cela a permis aux modèles d'IA de refléter des échantillons de HEA qui n'ont pas encore été découverts, améliorant ainsi la précision de la prédiction de phase par rapport aux méthodes conventionnelles.

En outre, l'équipe de recherche a développé un modèle de prédiction de phase HEA basé sur l'IA descriptif pour fournir une interprétabilité aux modèles d'apprentissage en profondeur, qui agit comme une boîte noire, tout en fournissant des conseils sur les paramètres de conception clés pour créer des HEA avec certaines phases.

"Cette recherche est le résultat de l'amélioration drastique des limites de la recherche existante en incorporant l'IA dans les HEA qui ont récemment attiré beaucoup d'attention, " a fait remarquer le professeur Seungchul Lee. Il a ajouté, "Il est significatif que la collaboration multidisciplinaire de l'équipe de recherche conjointe ait produit des résultats qui peuvent accélérer la fabrication de nouveaux matériaux basée sur l'IA."

Le professeur Hyungyu Jin a également ajouté, « Les résultats de l'étude devraient réduire considérablement le temps et les coûts requis pour le processus de développement de nouveaux matériaux existant, et d'être activement utilisé pour développer de nouveaux alliages à haute entropie à l'avenir."