Les scientifiques de l'Université nationale de Singapour (NUS) ont utilisé des modèles d'apprentissage automatique génératifs pour explorer les différentes méthodes par lesquelles les atomes entre cristaux adjacents dans un matériau piézoélectrique, qui sont des matériaux qui génèrent une faible tension électrique lors de l'application d'une contrainte mécanique, peuvent subir des disparités. Cette révélation dévoile les voies par lesquelles le désordre émerge dans de tels matériaux.
Dans le domaine de la science des matériaux, une question de longue date consiste à comprendre si différents troubles structurels dans des matériaux complexes remplissent des fonctions utiles, le défi majeur étant l'identification des types de troubles au sein d'un échantillon particulier.
Une équipe de recherche du NUS a relevé ce défi en condensant un large éventail de désordres structurels dans les limites de domaine d'un matériau piézoélectrique en un petit ensemble de règles probabilistes simples et multi-échelles. Grâce à ces règles, ils ont créé un modèle d'apprentissage automatique génératif qui s'étendait sur trois ordres de grandeur en échelles de longueur, permettant l'étude des propriétés statistiques du matériau au-delà des limites de mesure pratiques.
Dirigée par le professeur adjoint Ne-te Duane Loh du Département de physique et du Département des sciences biologiques de la NUS, l'équipe de recherche a découvert que le désordre structurel observé expérimentalement le long des limites de domaine des films piézoélectriques de niobate de potassium et de sodium pouvait être distillé de manière surprenante. ensemble compact de règles probabilistes simples. Ces règles pourraient être décomposées en deux ensembles qui dominent à des échelles de longueur distinctes :la chaîne de Markov et les noyaux aléatoires. L'utilisation de ces deux ensembles de règles crée l'ensemble des limites de domaine pour un échantillon de matériau spécifique.
L'équipe a traduit ces règles probabilistes dans le « vocabulaire » et la « grammaire » d'un modèle d'apprentissage automatique interprétable pour générer et étudier un vaste spectre de limites de domaines désordonnées réalistes qui ne se distinguent pas des mesures expérimentales. Ce modèle génératif a donné accès à des ordres de grandeur plus d'observations que ne le permettraient l'expérimentation pratique ou les calculs coûteux des principes premiers.
En utilisant ce modèle, les auteurs ont découvert des motifs de limites de domaine non détectés auparavant dans le matériau, qui sont des structures en forme de chaîne, mettant en lumière les facteurs susceptibles d'affecter sa réponse piézoélectrique. Ils ont également trouvé des preuves que ces limites de domaine maximisent l'entropie. Cette avancée suggère que des modèles d'apprentissage automatique interprétables peuvent comprendre la nature complexe du désordre dans les matériaux, ouvrant ainsi la voie à la compréhension de leur fonction et de leur conception.
Les résultats de la recherche ont été publiés dans la revue Science Advances. .
Cette recherche poursuit l’intégration continue par l’équipe de l’apprentissage statistique avec la microscopie électronique à résolution atomique pour imager des matériaux complexes. Le Dr Jiadong Dan, le premier auteur et Eric et Wendy Schmidt AI in Science Fellow, a déclaré :« Notre travail peut être généralement étendu et appliqué à d'autres systèmes importants où le désordre joue un rôle essentiel dans le contrôle des propriétés physiques des matériaux. » /P>
L'équipe envisage également d'approfondir les recherches sur l'importance fonctionnelle des motifs structurels nouvellement découverts, soulignant le potentiel de compréhension et de conception de matériaux complexes.
Le professeur Loh a ajouté :"Ce travail complète notre apprentissage antérieur des hiérarchies de motifs atomiques. Ensemble, ils nous poussent vers la création d'une intelligence artificielle (IA) complémentaire aux côtés de microscopes pour fournir un retour d'information rapide et sans précédent."
Plus d'informations : Jiadong Dan et al, Un modèle génératif multi-échelle pour comprendre le désordre dans les limites des domaines, Science Advances (2023). DOI :10.1126/sciadv.adj0904
Informations sur le journal : Progrès scientifiques
Fourni par l'Université nationale de Singapour
