L'équipe, dirigée par des scientifiques de l'Université de Cambridge, a développé une approche d'apprentissage automatique « multi-fidélité » pour prédire les propriétés des matériaux. Cette méthode combinait des informations sur la structure du matériau obtenues à l’aide de techniques informatiques avec des mesures expérimentales pour créer des modèles prédictifs précis à l’aide d’algorithmes d’apprentissage en profondeur.
Les scientifiques ont testé l'approche multi-fidélité sur quatre matériaux :les alliages d'acier, les alliages à haute entropie, les matériaux thermoélectriques et les structures métallo-organiques. Ils ont démontré que leur méthode atteignait des performances de pointe en matière de prédiction des propriétés de ces matériaux.
Par exemple, pour les alliages d'acier, le modèle multi-fidélité a prédit la limite d'élasticité du matériau avec une erreur absolue moyenne (MAE) de seulement 1,8 %, contre 4,5 % pour la meilleure méthode précédente. Pour les alliages à haute entropie, le modèle multi-fidélité a prédit la dureté Vickers du matériau avec un MAE de 2,3 %, contre 5,8 % pour la meilleure méthode précédente.
"Les techniques d'apprentissage automatique peuvent prédire les propriétés des matériaux et réduire considérablement le temps et le coût de la découverte des matériaux", a déclaré le co-premier auteur, le Dr Hao Wu du Département de science des matériaux et de métallurgie de Cambridge. "Mais pour que l'apprentissage automatique fournisse Pour obtenir des prédictions haute fidélité et efficaces sur le plan informatique, nous devons combiner plusieurs sources d’informations complémentaires, telles que des modèles fondés sur la physique et des mesures expérimentales.
La découverte et le développement de matériaux impliquent actuellement un cycle itératif de synthèse de matériaux, des expériences pour mesurer les propriétés des matériaux et des simulations informatiques coûteuses pour comprendre les mécanismes sous-jacents. Cette approche prend du temps, est coûteuse et inefficace, et nécessite généralement des experts humains possédant des connaissances approfondies en physique ou en chimie.
La nouvelle approche d'apprentissage automatique multi-fidélité rationalise le processus de conception en identifiant efficacement les matériaux candidats les plus prometteurs sans avoir à effectuer de nombreuses expériences fastidieuses ou des calculs haute fidélité.
"Une simulation informatique haute fidélité typique peut prendre une semaine, voire des mois", a déclaré le co-premier auteur, le Dr Xiaoqing Huang du Département de science des matériaux et de métallurgie. "Si nous voulons explorer des centaines de matériaux, c'est pratiquement irréalisable. pour obtenir des résultats informatiques haute fidélité pour chacun d’eux. Notre cadre d’apprentissage profond multi-fidélité surmonte ce problème en utilisant des simulations basées sur la physique et des mesures expérimentales à faible coût pour guider l’apprentissage de modèles haute fidélité.
En réduisant considérablement le temps et les coûts associés à la découverte des matériaux, la nouvelle technique d'apprentissage automatique multi-fidélité peut accélérer le développement de matériaux nouveaux et améliorés pour un large éventail d'applications, notamment le stockage d'énergie, la catalyse et l'aérospatiale.
"Nous pensons que notre approche peut non seulement permettre des percées dans la découverte et le développement de matériaux, mais également bénéficier à la science informatique et à la conception dans d'autres disciplines, telles que la chimie, la biologie et la recherche pharmaceutique", a déclaré l'auteur principal, le professeur Li Yang du Département de science des matériaux et de recherche. Métallurgie. "Nous espérons que ces travaux ouvriront la voie à l'intégration de simulations et d'expériences multi-échelles dans un cadre basé sur les données pour la recherche scientifique et la conception technique."
