Quand les mots "intelligence artificielle" (IA) viennent à l'esprit, vos premières pensées peuvent être des ordinateurs super-intelligents, ou des robots qui effectuent des tâches sans avoir besoin de l'aide des humains. Maintenant, une équipe multi-institutionnelle comprenant des chercheurs du National Institute of Standards and Technology (NIST) a accompli quelque chose pas trop loin :ils ont développé un algorithme d'IA appelé CAMEO qui a découvert un nouveau matériau potentiellement utile sans nécessiter de formation supplémentaire de la part des scientifiques. Le système d'IA pourrait aider à réduire le temps d'essais et d'erreurs que les scientifiques passent dans le laboratoire, tout en maximisant la productivité et l'efficacité de leurs recherches.

L'équipe de recherche a publié ses travaux sur CAMEO dans Communication Nature .

Dans le domaine de la science des matériaux, les scientifiques cherchent à découvrir de nouveaux matériaux pouvant être utilisés dans des applications spécifiques, comme un "métal léger mais aussi solide pour construire une voiture, ou celui qui peut supporter des contraintes et des températures élevées pour un moteur à réaction, " a déclaré Aaron Gilad Kusne, chercheur au NIST.

Mais trouver de tels nouveaux matériaux nécessite généralement un grand nombre d'expériences coordonnées et de longues recherches théoriques. Si un chercheur s'intéresse à la variation des propriétés d'un matériau avec différentes températures, alors le chercheur peut avoir besoin d'exécuter 10 expériences à 10 températures différentes. Mais la température n'est qu'un paramètre. S'il y a cinq paramètres, chacun avec 10 valeurs, alors ce chercheur doit exécuter l'expérience 10 x 10 x 10 x 10 x 10 fois, un total de 100, 000 expériences. Il est presque impossible pour un chercheur de mener autant d'expériences en raison des années ou des décennies que cela peut prendre, dit Kusne.

C'est là qu'intervient CAMEO. Abréviation de Closed-Loop Autonomous System for Materials Exploration and Optimization, CAMEO peut s'assurer que chaque expérience maximise les connaissances et la compréhension du scientifique, sauter des expériences qui donneraient des informations redondantes. Aider les scientifiques à atteindre leurs objectifs plus rapidement avec moins d'expériences permet également aux laboratoires d'utiliser leurs ressources limitées plus efficacement. Mais comment CAMEO est-il capable de faire cela ?

La méthode derrière la machine

L'apprentissage automatique est un processus dans lequel les programmes informatiques peuvent accéder aux données et les traiter eux-mêmes, s'améliorant automatiquement d'eux-mêmes au lieu de compter sur des entraînements répétés. C'est la base de CAMEO, une IA d'auto-apprentissage qui utilise la prédiction et l'incertitude pour déterminer quelle expérience essayer ensuite.

Comme son nom l'indique, CAMEO recherche un nouveau matériau utile en opérant en boucle fermée :Il détermine quelle expérience exécuter sur un matériau, fait l'expérience, et collecte les données. Il peut également demander plus d'informations, tels que la structure cristalline du matériau souhaité, du scientifique avant de lancer l'expérience suivante, qui est informé par toutes les expériences passées effectuées dans la boucle.

"La clé de notre expérience était que nous avons pu libérer CAMEO sur une bibliothèque combinatoire où nous avions fait un large éventail de matériaux avec toutes les compositions différentes, " dit Ichiro Takeuchi, chercheur en science et ingénierie des matériaux et professeur à l'Université du Maryland. Dans une étude combinatoire habituelle, chaque matériau de la matrice serait mesuré séquentiellement pour rechercher le composé ayant les meilleures propriétés. Même avec une configuration de mesure rapide, cela prend beaucoup de temps. Avec CAMEO, il n'a fallu qu'une petite fraction du nombre habituel de mesures pour trouver le meilleur matériau.

L'IA est également conçue pour contenir la connaissance des principes clés, y compris la connaissance des simulations et des expériences de laboratoire passées, comment fonctionne l'équipement, et les concepts physiques. Par exemple, les chercheurs ont armé CAMEO de la connaissance de la cartographie de phase, qui décrit comment la disposition des atomes dans un matériau change avec la composition chimique et la température.

Comprendre comment les atomes sont disposés dans un matériau est important pour déterminer ses propriétés telles que sa dureté ou son isolation électrique, et à quel point il est adapté à une application spécifique.

"L'IA n'est pas supervisée. De nombreux types d'IA doivent être formés ou supervisés. Au lieu de lui demander d'apprendre les lois physiques, nous les encodons dans l'IA. Vous n'avez pas besoin d'un humain pour former l'IA, " a déclaré Kusne.

L'un des meilleurs moyens de comprendre la structure d'un matériau est de le bombarder de rayons X, dans une technique appelée diffraction des rayons X. En identifiant les angles sous lesquels les rayons X rebondissent, les scientifiques peuvent déterminer comment les atomes sont disposés dans un matériau, leur permettant de comprendre sa structure cristalline. Cependant, une seule expérience de diffraction des rayons X en interne peut prendre une heure ou plus. Dans une installation synchrotron où une grande machine de la taille d'un terrain de football accélère des particules chargées électriquement à une vitesse proche de la vitesse de la lumière, ce processus peut prendre 10 secondes car les particules en mouvement rapide émettent un grand nombre de rayons X. C'est la méthode utilisée dans les expériences, qui ont été réalisées à la Stanford Synchrotron Radiation Lightsource (SSRL).

L'algorithme est installé sur un ordinateur qui se connecte à l'équipement de diffraction des rayons X via un réseau de données. CAMEO décide quelle composition de matériau étudier ensuite en choisissant sur quel matériau les rayons X se concentrent pour étudier sa structure atomique. A chaque nouvelle itération, CAMEO apprend des mesures passées et identifie le prochain matériau à étudier. Cela permet à l'IA d'explorer comment la composition d'un matériau affecte sa structure et d'identifier le meilleur matériau pour la tâche.

"Pensez à ce processus comme à essayer de faire le gâteau parfait, " dit Kusne. " Vous mélangez différents types d'ingrédients, farine, des œufs, ou du beurre, en utilisant une variété de recettes pour faire le meilleur gâteau." Avec l'IA, c'est chercher parmi les "recettes" ou les expériences pour déterminer la meilleure composition pour le matériau.

Cette approche est la façon dont CAMEO a découvert le matériau ?Ge?_4 ?Sb?_6 ?Te?_(7, ) que le groupe a raccourci en GST467. CAMEO a reçu 177 matériaux potentiels à étudier, couvrant un large éventail de recettes de composition. Pour arriver à ce matériel, CAMEO a réalisé 19 cycles expérimentaux différents, qui a duré 10 heures, par rapport aux 90 heures estimées qu'il aurait fallu à un scientifique avec l'ensemble complet de 177 matériaux.

Le nouveau matériau

Le matériau est composé de trois éléments différents (germanium, antimoine et tellure, Ge-Sb-Te) et est un matériau de mémoire à changement de phase, C'est, il change sa structure atomique de cristalline (matériau solide avec des atomes désignés, positions régulières) à amorphe (matériau solide avec des atomes dans des positions aléatoires) lorsqu'il est rapidement fondu en appliquant de la chaleur. Ce type de matériau est utilisé dans des applications de mémoire électronique telles que le stockage de données. Bien qu'il existe des variations de composition infinies possibles dans le système d'alliage Ge-Sb-Te, le nouveau matériau GST467 découvert par CAMEO est optimal pour les applications à changement de phase.

Les chercheurs voulaient que CAMEO trouve le meilleur alliage Ge-Sb-Te, celui qui avait la plus grande différence de "contraste optique" entre les états cristallin et amorphe. Sur un disque DVD ou Blu-ray, par exemple, le contraste optique permet à un laser à balayage de lire le disque en distinguant les régions qui ont une réflectivité élevée ou faible. Ils ont constaté que GST467 a deux fois le contraste optique de ?Ge?_2 ?Sb?_2 ?Te?_5, un matériau bien connu qui est couramment utilisé pour les DVD. Le contraste plus important permet au nouveau matériau de surpasser l'ancien par une marge significative.

GST467 a également des applications pour les dispositifs de commutation photoniques, qui contrôlent la direction de la lumière dans un circuit. Ils peuvent également être appliqués en calcul neuromorphique, un domaine d'étude axé sur le développement de dispositifs qui émulent la structure et la fonction des neurones dans le cerveau, ouvrant des possibilités pour de nouveaux types d'ordinateurs ainsi que d'autres applications telles que l'extraction de données utiles à partir d'images complexes.

Les applications plus larges de CAMEO

Les chercheurs pensent que CAMEO peut être utilisé pour de nombreuses autres applications de matériaux. Le code de CAMEO est open source et sera disponible gratuitement pour les scientifiques et les chercheurs. Et contrairement aux approches similaires d'apprentissage automatique, CAMEO a découvert un nouveau composé utile en se concentrant sur la relation composition-structure-propriété des matériaux cristallins. De cette façon, l'algorithme a parcouru le cours de la découverte en suivant les origines structurelles des fonctions d'un matériau.

L'un des avantages de CAMEO est de minimiser les coûts, depuis la proposition, la planification et la conduite d'expériences dans des installations de synchrotron nécessitent du temps et de l'argent. Les chercheurs estiment une réduction par dix du temps pour les expériences utilisant CAMEO, puisque le nombre d'expériences réalisées peut être réduit d'un dixième. Parce que l'IA effectue les mesures, la collecte des données et la réalisation de l'analyse, cela réduit également la quantité de connaissances dont un chercheur a besoin pour mener l'expérience. Le chercheur ne doit se concentrer que sur l'exécution de l'IA.

Un autre avantage est de permettre aux scientifiques de travailler à distance. « Cela permet à une vague de scientifiques de continuer à travailler et à être productifs sans être réellement en laboratoire, " dit Apurva Mehta, chercheur au Laboratoire national des accélérateurs SLAC. Cela pourrait signifier que si les scientifiques voulaient travailler sur des recherches impliquant des maladies ou des virus contagieux, comme le COVID-19, ils pourraient le faire en toute sécurité et à distance tout en s'appuyant sur l'IA pour mener les expériences en laboratoire.

Pour l'instant, les chercheurs continueront d'améliorer l'IA et tenteront de rendre les algorithmes capables de résoudre des problèmes toujours plus complexes. "CAMEO a l'intelligence d'un robot scientifique, et il est construit pour concevoir, exécuter et apprendre des expériences d'une manière très efficace, " a déclaré Kusne.