Une équipe de chercheurs a utilisé l’IA pour identifier un matériau thermoélectrique présentant des valeurs favorables. Le groupe a réussi à surmonter les pièges conventionnels de l’IA et les défis du Big Data, offrant ainsi un excellent exemple de la façon dont l’IA peut révolutionner la science des matériaux. Les détails ont été publiés dans la revue Science China Materials. le 8 mars 2024.
"Les méthodes traditionnelles de recherche de matériaux appropriés impliquent des essais et des erreurs, ce qui prend du temps et est souvent coûteux", proclame Hao Li, professeur agrégé à l'Institut avancé de recherche sur les matériaux de l'Université de Tohoku (WPI-AIMR) et auteur correspondant de l'article. "L'IA transforme cela en parcourant les bases de données pour identifier les matériaux potentiels qui peuvent ensuite être vérifiés expérimentalement."
Il reste néanmoins des défis à relever. Les ensembles de données sur les matériaux à grande échelle contiennent parfois des erreurs, et le surajustement des propriétés prévues en fonction de la température est également une erreur courante. Le surajustement se produit lorsqu'un modèle apprend à capturer le bruit ou les fluctuations aléatoires des données d'entraînement plutôt que le modèle ou la relation sous-jacente.
En conséquence, le modèle fonctionne bien sur les données d'entraînement mais ne parvient pas à généraliser de nouvelles données invisibles. Lors de la prévision des propriétés dépendant de la température, le surajustement peut conduire à des prédictions inexactes lorsque le modèle rencontre de nouvelles conditions en dehors de la plage des données d'entraînement.
Li et ses collègues ont cherché à surmonter ce problème pour développer un matériau thermoélectrique. Ces matériaux convertissent l’énergie thermique en énergie électrique, ou vice versa. Il est donc essentiel d'obtenir une dépendance très précise à la température.
"Tout d'abord, nous avons effectué une série d'actions rationnelles pour identifier et éliminer les données douteuses, obtenant 92 291 points de données comprenant 7 295 compositions et différentes températures de la base de données Starrydata2, une base de données en ligne qui collecte des données numériques provenant d'articles publiés", déclare Li.
Ensuite, les chercheurs ont construit des modèles de construction de machines à l’aide de la méthode Gradient Boosting Decision Tree. Le modèle a atteint des valeurs R2 remarquables de 0,89, ~0,90 et ~0,89 sur l'ensemble de données d'entraînement, l'ensemble de données de test et les nouvelles données expérimentales hors échantillon publiées en 2023, démontrant la précision du modèle dans la prévision des matériaux nouvellement disponibles.
"Nous pourrions utiliser ce modèle pour effectuer une évaluation à grande échelle des matériaux stables de la base de données Materials Project, prédire les performances thermoélectriques potentielles de nouveaux matériaux et fournir des conseils pour les expériences", déclare Xue Jia, professeur adjoint au WPI-AIMR, et co-auteur de l'article.
En fin de compte, l’étude illustre l’importance de suivre des directives rigoureuses en matière de prétraitement et de fractionnement des données dans l’apprentissage automatique afin de répondre aux problèmes urgents de la science des matériaux. Les chercheurs sont optimistes et pensent que leur stratégie pourra également être appliquée à d'autres matériaux, tels que les électrocatalyseurs et les batteries.
Plus d'informations : Xue Jia et al, Relever les défis du Big Data dans l'IA pour les matériaux thermoélectriques, Science China Materials (2024). DOI :10.1007/s40843-023-2777-2
Fourni par l'Université du Tohoku
