Les matériaux extra-durs sont très demandés dans l'industrie, de la production d'énergie à l'aéronautique, mais trouver de nouveaux matériaux appropriés a été en grande partie une question d'essais et d'erreurs sur la base de matériaux classiques tels que les diamants. Jusqu'à maintenant.

Des chercheurs de l'Université de Houston et du Manhattan College ont signalé un modèle d'apprentissage automatique qui peut prédire avec précision la dureté des nouveaux matériaux, permettant aux scientifiques de trouver plus facilement des composés pouvant être utilisés dans une variété d'applications. Le travail a été signalé dans Matériaux avancés .

Les matériaux super durs, définis comme ceux dont la valeur de dureté dépasse 40 gigapascals sur l'échelle Vickers, ce qui signifie qu'il faudrait plus de 40 gigapascals de pression pour laisser une empreinte sur la surface du matériau - sont rares.

« Cela rend l'identification de nouveaux matériaux difficile, " dit Jakoah Brgoch, professeur agrégé de chimie à l'UH et auteur correspondant de l'article. "C'est pourquoi des matériaux comme le diamant synthétique sont encore utilisés même s'ils sont difficiles et coûteux à fabriquer."

L'un des facteurs de complication est que la dureté d'un matériau peut varier en fonction de la quantité de pression exercée, connu sous le nom de dépendance à la charge. Cela rend le test d'un matériau expérimentalement complexe et l'utilisation de la modélisation informatique aujourd'hui presque impossible.

Le modèle rapporté par les chercheurs surmonte cela en prédisant la dureté Vickers dépendant de la charge basée uniquement sur la composition chimique du matériau. Les chercheurs rapportent avoir trouvé plus de 10 phases stables de borocarbure nouvelles et prometteuses; des travaux sont maintenant en cours pour concevoir et produire les matériaux afin qu'ils puissent être testés en laboratoire.

Sur la base de la précision rapportée du modèle, les chances sont bonnes. Les chercheurs ont rapporté l'exactitude à 97%.

Premier auteur Ziyan Zhang, doctorant à l'UH, a déclaré que la base de données construite pour entraîner l'algorithme est basée sur des données impliquant 560 composés différents, chacun donnant plusieurs points de données. Trouver les données nécessaires en parcourant des centaines d'articles universitaires publiés pour trouver les données nécessaires à la création d'un ensemble de données représentatif.

"Tous les bons projets de machine learning commencent par un bon ensemble de données, " dit Brgoch, qui est également chercheur principal au Texas Center for Superconductivity à UH. "Le vrai succès est en grande partie le développement de cet ensemble de données."

En plus de Brgoch et Zhang, les chercheurs supplémentaires sur le projet incluent Aria Mansouri Tehrani et Blake Day, les deux avec UH, et Anton O. Oliynyk du Manhattan College.

Les chercheurs ont traditionnellement utilisé l'apprentissage automatique pour prédire une seule variable de dureté, Brgoch a dit, mais cela ne tient pas compte des complexités de la propriété comme la dépendance à la charge, qu'il a dit ne sont toujours pas bien compris. Cela fait de l'apprentissage automatique un bon outil, malgré les limitations antérieures.

"Un système d'apprentissage automatique n'a pas besoin de comprendre la physique, " Il a dit. " Il analyse simplement les données d'entraînement et fait de nouvelles prédictions basées sur des statistiques. "

L'apprentissage automatique a des limites, bien que.

"L'idée d'utiliser l'apprentissage automatique ne veut pas dire, 'Voici le prochain plus grand matériau, ' mais pour aider à guider notre recherche expérimentale, " a déclaré Brgoch. " Il vous indique où vous devriez regarder. "