Au cœur de nombreuses percées scientifiques passées se trouve la découverte de nouveaux matériaux. Cependant, le cycle de synthèse, tester et optimiser de nouveaux matériaux demande régulièrement aux scientifiques de longues heures de travail acharné. À cause de ce, beaucoup de matériaux potentiellement utiles avec des propriétés exotiques restent à découvrir. Mais et si nous pouvions automatiser l'ensemble du processus de développement de nouveaux matériaux à l'aide de la robotique et de l'intelligence artificielle, le rendre beaucoup plus rapide?

Dans une étude récente publiée à Matériaux APL , des scientifiques du Tokyo Institute of Technology (Tokyo Tech), Japon, dirigé par le professeur agrégé Ryota Shimizu et le professeur Taro Hitosugi, a conçu une stratégie qui pourrait faire de la recherche de matériaux entièrement autonome une réalité. Leur travail est centré sur l'idée révolutionnaire de l'équipement de laboratoire étant « CASH » (Connecté, Autonome, Partagé, haut débit). Avec une configuration CASH dans un laboratoire de matériaux, les chercheurs n'ont qu'à décider quelles propriétés matérielles ils souhaitent optimiser et alimenter le système avec les ingrédients nécessaires; le système automatique prend alors le contrôle et prépare et teste à plusieurs reprises de nouveaux composés jusqu'à ce que le meilleur soit trouvé. En utilisant des algorithmes d'apprentissage automatique, le système peut utiliser des connaissances antérieures pour décider comment les conditions de synthèse doivent être modifiées pour atteindre le résultat souhaité à chaque cycle.

Pour démontrer que CASH est une stratégie réalisable dans la recherche sur les matériaux à l'état solide, Le professeur associé Shimizu et son équipe ont créé un système de preuve de concept comprenant un bras robotique entouré de plusieurs modules. Leur configuration visait à minimiser la résistance électrique d'un film mince de dioxyde de titane en ajustant les conditions de dépôt. Par conséquent, les modules sont un appareil de dépôt par pulvérisation et un dispositif de mesure de résistance. Le bras robotique a transféré les échantillons de module en module selon les besoins, et le système a prédit de manière autonome les paramètres de synthèse pour la prochaine itération sur la base des données précédentes. Pour la prédiction, ils ont utilisé l'algorithme d'optimisation bayésien.

Étonnamment, leur installation CASH a réussi à produire et tester une douzaine d'échantillons par jour, une augmentation de dix fois le débit par rapport à ce que les scientifiques peuvent réaliser manuellement dans un laboratoire conventionnel. En plus de cette augmentation significative de la vitesse, l'un des principaux avantages de la stratégie CASH est la possibilité de créer d'énormes bases de données partagées décrivant comment les propriétés des matériaux varient en fonction des conditions de synthèse. À cet égard, Le professeur Hitosugi remarque :« Aujourd'hui, les bases de données des substances et de leurs propriétés restent incomplètes. Avec l'approche CASH, nous pourrions facilement les compléter et découvrir ensuite des propriétés matérielles cachées, menant à la découverte de nouvelles lois de la physique et résultant en des informations grâce à l'analyse statistique. »

L'équipe de recherche est convaincue que l'approche CASH entraînera une révolution dans la science des matériaux. Les bases de données générées rapidement et sans effort par les systèmes CASH seront combinées en big data et les scientifiques utiliseront des algorithmes avancés pour les traiter et extraire des expressions compréhensibles par l'homme. Cependant, comme le note le professeur Hitosugi, l'apprentissage automatique et la robotique ne peuvent à eux seuls trouver des idées ni découvrir des concepts en physique et en chimie. « La formation des futurs scientifiques des matériaux doit évoluer ; ils devront comprendre ce que l'apprentissage automatique peut résoudre et régler le problème en conséquence. La force des chercheurs humains réside dans la création de concepts ou l'identification de problèmes dans la société. Combiner ces forces avec l'apprentissage automatique et la robotique est très important, " il dit.

Globalement, cet article de perspective met en évidence les énormes avantages que l'automatisation pourrait apporter à la science des matériaux. Si le poids des tâches répétitives est levé sur les épaules des chercheurs, ils pourront se concentrer davantage sur la découverte des secrets du monde matériel au profit de l'humanité.