Les structures microscopiques et les propriétés des matériaux sont intimement liées, et les personnaliser est un défi. Les ingénieurs de l'Université Rice sont déterminés à simplifier le processus grâce à l'apprentissage automatique.

À cette fin, le laboratoire Rice du scientifique des matériaux Ming Tang, en collaboration avec le physicien Fei Zhou du Lawrence Livermore National Laboratory, a introduit une technique pour prédire l'évolution des microstructures (caractéristiques structurelles comprises entre 10 nanomètres et 100 microns) dans les matériaux.

Leur article en libre accès dans la revue Cell Press Motifs montre comment les réseaux de neurones (modèles informatiques qui imitent les neurones du cerveau) peuvent s'entraîner à prédire comment une structure se développera dans un certain environnement, un peu comme un flocon de neige se forme à partir de l'humidité dans la nature.

En réalité, comme un flocon de neige, les structures cristallines dendritiques étaient l'un des exemples que le laboratoire a utilisés dans son étude de validation de principe.

« Dans la science des matériaux moderne, il est largement admis que la microstructure joue souvent un rôle critique dans le contrôle des propriétés d'un matériau, " Tang a dit. " Vous ne voulez pas seulement contrôler la façon dont les atomes sont disposés sur les réseaux, mais aussi à quoi ressemble la microstructure, pour vous offrir de bonnes performances et même de nouvelles fonctionnalités.

"Le Saint Graal de la conception de matériaux est de pouvoir prédire comment une microstructure va changer dans des conditions données, si nous le réchauffons ou appliquons du stress ou un autre type de stimulation, " il a dit.

Tang a travaillé pour affiner la prédiction de la microstructure pendant toute sa carrière, mais a déclaré que l'approche traditionnelle basée sur des équations fait face à des défis importants pour permettre aux scientifiques de répondre à la demande de nouveaux matériaux.

"Les énormes progrès de l'apprentissage automatique ont encouragé Fei chez Lawrence Livermore et nous-mêmes à voir si nous pouvions l'appliquer aux matériaux, " il a dit.

Heureusement, il y avait beaucoup de données de la méthode traditionnelle pour aider à former les réseaux de neurones de l'équipe, qui visualisent l'évolution précoce des microstructures pour prédire la prochaine étape, et le suivant, etc.

"C'est à cela que les machines sont bonnes, voir la corrélation d'une manière très complexe que l'esprit humain n'est pas capable de faire, " dit Tang. " On en profite. "

Les chercheurs ont testé leurs réseaux de neurones sur quatre types distincts de microstructure :propagation d'ondes planes, la croissance des grains, décomposition spinodale et croissance cristalline dendritique.

A chaque épreuve, les réseaux ont été alimentés entre 1, 000 et 2, 000 séries de 20 images successives illustrant l'évolution de la microstructure d'un matériau telle que prédite par les équations. Après avoir appris les règles d'évolution à partir de ces données, le réseau était alors donné de 1 à 10 images pour prédire les 50 à 200 prochaines images, et le faisait généralement en quelques secondes.

Les avantages de la nouvelle technique sont rapidement devenus évidents :les réseaux de neurones, alimenté par des processeurs graphiques, accéléré les calculs jusqu'à 718 fois pour la croissance des grains, par rapport à l'algorithme précédent. Lorsqu'il est exécuté sur un processeur central standard, ils étaient encore jusqu'à 87 fois plus rapides que l'ancienne méthode. La prédiction d'autres types d'évolution de la microstructure s'est révélée similaire, mais pas aussi dramatique, la vitesse augmente.

Des comparaisons avec des images de la méthode de simulation traditionnelle ont prouvé que les prédictions étaient largement exactes, dit Tang. "Basé sur cela, nous voyons comment nous pouvons mettre à jour les paramètres pour rendre la prédiction de plus en plus précise, " a-t-il dit. " Ensuite, nous pouvons utiliser ces prédictions pour aider à concevoir des matériaux que nous n'avons jamais vus auparavant.

"Un autre avantage est qu'il est capable de faire des prédictions même lorsque nous ne savons pas tout sur les propriétés des matériaux dans un système, " a déclaré Tang. " Nous ne pouvions pas faire cela avec la méthode basée sur les équations, qui doit connaître toutes les valeurs des paramètres dans les équations pour effectuer des simulations."

Tang a déclaré que l'efficacité de calcul des réseaux de neurones pourrait accélérer le développement de nouveaux matériaux. Il s'attend à ce que cela soit utile dans la conception continue de son laboratoire de batteries plus efficaces. « Nous réfléchissons à de nouvelles structures tridimensionnelles qui aideront à charger et à décharger les batteries beaucoup plus rapidement que ce que nous avons actuellement, " a déclaré Tang. " C'est un problème d'optimisation qui est parfait pour notre nouvelle approche. "