Les matériaux cristallins sont constitués d’atomes, d’ions ou de molécules disposés selon une structure tridimensionnelle ordonnée. Ils sont largement utilisés pour le développement de semi-conducteurs, de produits pharmaceutiques, photovoltaïques et de catalyseurs.

Le type de structures entrant dans la catégorie des matériaux cristallins continue de croître à mesure que les scientifiques conçoivent de nouveaux matériaux pour relever les défis émergents liés au stockage de l'énergie, à la capture du carbone et à l'électronique avancée.

Cependant, le développement de tels matériaux nécessite des moyens précis de les identifier. Actuellement, la diffraction des rayons X sur poudre est largement utilisée à cette fin. Il identifie la structure des matériaux cristallins en examinant les rayons X diffusés à partir d'un échantillon en poudre. Cependant, la tâche d'identification devient assez complexe lorsqu'il s'agit d'échantillons multiphasés contenant différents types de cristaux avec des structures, orientations ou compositions distinctes.

Dans de tels cas, l’identification précise des différentes phases présentes dans l’échantillon repose sur l’expertise des scientifiques, ce qui rend le processus long. Pour accélérer ce processus, des méthodes innovantes basées sur les données, telles que l'apprentissage automatique, ont été utilisées pour distinguer les phases individuelles au sein d'échantillons multiphases.

Bien que des progrès substantiels aient été réalisés dans leur utilisation pour collecter des informations sur les phases connues, l'identification de phases inconnues dans des échantillons multiphasiques reste toujours un défi.

Cependant, des chercheurs ont désormais proposé un nouveau modèle de « classificateur binaire » d'apprentissage automatique capable d'identifier la présence de phases quasi-cristallines icosaédriques (i-QC), une sorte de solides ordonnés à longue portée qui présentent une auto-similarité dans leurs schémas de diffraction. diagrammes de diffraction des rayons X sur poudre multiphasée.

Cette étude a impliqué une collaboration entre l'Université des sciences de Tokyo (TUS), l'Académie de la Défense nationale, l'Institut national des sciences des matériaux, l'Université du Tohoku et l'Institut de mathématiques statistiques. Il a été dirigé par le professeur agrégé junior Tsunetomo Yamada de TUS, Japon, et a été publié dans la revue Advanced Science. journal le 14 novembre 2023.

"Partout dans le monde, des chercheurs ont tenté de prédire de nouvelles substances en utilisant l'intelligence artificielle et l'apprentissage automatique. Cependant, déterminer si une substance souhaitée est produite demande beaucoup de temps et d'efforts de la part des experts humains. C'est pourquoi nous avons eu l'idée d'utiliser l'apprentissage profond pour identifier de nouvelles phases", explique le Dr Yamada.

Pour développer ledit modèle, les chercheurs ont d'abord créé un « classificateur binaire » utilisant 80 types de réseaux neuronaux convolutifs. Ils ont ensuite formé le modèle de classificateur à l’aide de diagrammes synthétiques de diffraction des rayons X multiphases, conçus comme des représentations des diagrammes attendus associés aux phases i-QC. Après la phase de formation, les performances du modèle ont été évaluées à l'aide de modèles synthétiques et d'une base de données de modèles réels.

Il est intéressant de noter que le modèle a atteint une précision de prédiction supérieure à 92 %. Il a également réussi à identifier une phase i-QC inconnue dans les alliages multiphasés Al – Si – Ru lorsqu'il a été utilisé pour examiner 440 diagrammes de diffraction mesurés à partir de matériaux inconnus dans six systèmes d'alliages différents. La présence de la phase i-QC inconnue a été confirmée en analysant la microstructure et la composition du matériau par microscopie électronique à transmission.

Notamment, la méthode d’apprentissage en profondeur proposée a la capacité d’identifier la phase i-QC même lorsqu’elle ne constitue pas le composant le plus important du mélange. De plus, ce modèle peut être utilisé pour l'identification de nouveaux QC décagonaux et dodécagonaux et peut également être étendu à divers types d'autres matériaux cristallins.

"Grâce au modèle proposé, nous avons pu détecter avec une grande précision les phases quasicristallines inconnues présentes dans des échantillons multiphasiques. La précision de ce modèle d'apprentissage profond indique ainsi la possibilité d'accélérer le processus d'identification de phase des échantillons multiphasiques", conclut le Dr Yamada. . De plus, le Dr Yamada et son équipe sont convaincus que ce modèle mènera à une percée dans le domaine de la science des matériaux.

En résumé, cette étude constitue une avancée significative dans l'identification de phases entièrement nouvelles dans les quasi-cristaux que l'on trouve couramment dans des matériaux tels que la silice mésoporeuse, les minéraux, les alliages et les cristaux liquides.

Plus d'informations : Hirotaka Uryu et al, L'apprentissage profond permet l'identification rapide d'un nouveau quasi-cristal à partir de modèles de diffraction de poudre multiphase, Science avancée (2023). DOI : 10.1002/advs.202304546

Informations sur le journal : Science avancée

Fourni par l'Université des sciences de Tokyo