Mélangez deux ou trois métaux ensemble et vous obtenez un alliage qui ressemble et agit généralement comme un métal, avec ses atomes disposés en motifs géométriques rigides.

Mais de temps en temps, dans les bonnes conditions, vous obtenez quelque chose d'entièrement nouveau :un alliage futuriste appelé verre métallique qui est amorphe, avec ses atomes disposés dans tous les sens, un peu comme les atomes du verre dans une fenêtre. Sa nature vitreuse le rend plus solide et plus léger que le meilleur acier d'aujourd'hui, De plus, il résiste mieux à la corrosion et à l'usure.

Même si le verre métallique est très prometteur en tant que revêtement protecteur et alternative à l'acier, seulement quelques milliers des millions de combinaisons possibles d'ingrédients ont été évaluées au cours des 50 dernières années, et seulement une poignée se sont développées au point qu'elles peuvent devenir utiles.

Aujourd'hui, un groupe dirigé par des scientifiques du Laboratoire national des accélérateurs SLAC du ministère de l'Énergie, le National Institute of Standards and Technology (NIST) et la Northwestern University ont signalé un raccourci pour découvrir et améliorer le verre métallique - et, par extension, d'autres matériaux insaisissables, à une fraction du temps et du coût.

Le groupe de recherche a tiré parti d'un système de la source lumineuse de rayonnement synchrotron de Stanford (SSRL) du SLAC qui combine l'apprentissage automatique, une forme d'intelligence artificielle où les algorithmes informatiques glanent des connaissances à partir d'énormes quantités de données, avec des expériences qui fabriquent et examinent rapidement des centaines d'échantillons de matériaux à un temps. Cela a permis à l'équipe de découvrir trois nouveaux mélanges d'ingrédients qui forment le verre métallique, et de le faire 200 fois plus vite qu'avant, ils ont rapporté aujourd'hui dans Avancées scientifiques .

« Il faut généralement une décennie ou deux pour faire passer un matériau de la découverte à l'utilisation commerciale, " a déclaré le professeur Northwestern Chris Wolverton, l'un des premiers pionniers de l'utilisation du calcul et de l'IA pour prédire de nouveaux matériaux et co-auteur de l'article. "C'est un grand pas pour essayer de réduire ce temps. Vous pouvez commencer avec rien de plus qu'une liste de propriétés que vous voulez dans un matériau et, en utilisant l'IA, réduire rapidement l'immense champ des matériaux potentiels à quelques bons candidats."

Le but ultime, il a dit, est d'arriver au point où un scientifique pourrait numériser des centaines d'échantillons de matériaux, obtenez un retour presque immédiat des modèles d'apprentissage automatique et préparez un autre ensemble d'échantillons à tester le lendemain, voire dans l'heure.

Au cours du dernier demi-siècle, les scientifiques ont étudié environ 6, 000 combinaisons d'ingrédients qui forment le verre métallique, a ajouté le co-auteur de l'article Apurva Mehta, un scientifique du SSRL :« Nous avons pu fabriquer et cribler 20, 000 en une seule année."

Juste de commencer

Alors que d'autres groupes ont utilisé l'apprentissage automatique pour faire des prédictions sur l'emplacement des différents types de verre métallique, Mehta a dit, "La chose unique que nous avons faite est de vérifier rapidement nos prédictions avec des mesures expérimentales, puis de répéter à plusieurs reprises les résultats dans la prochaine série d'apprentissage automatique et d'expériences."

Il y a beaucoup de place pour rendre le processus encore plus rapide, il ajouta, et éventuellement l'automatiser pour sortir complètement les gens de la boucle afin que les scientifiques puissent se concentrer sur d'autres aspects de leur travail qui nécessitent l'intuition et la créativité humaines. "Cela aura un impact non seulement sur les utilisateurs du synchrotron, mais sur l'ensemble de la communauté des sciences des matériaux et de la chimie, " dit Mehta.

L'équipe a déclaré que la méthode serait utile dans toutes sortes d'expériences, notamment dans la recherche de matériaux comme le verre métallique et les catalyseurs dont les performances sont fortement influencées par leur mode de fabrication, et ceux où les scientifiques n'ont pas de théories pour guider leur recherche. Avec l'apprentissage automatique, aucune compréhension préalable n'est nécessaire. Les algorithmes établissent des liens et tirent des conclusions par eux-mêmes, et cela peut orienter la recherche dans des directions inattendues.

"L'un des aspects les plus excitants de ceci est que nous pouvons faire des prédictions si rapidement et faire tourner les expériences si rapidement que nous pouvons nous permettre d'étudier des matériaux qui ne suivent pas nos règles empiriques habituelles quant à savoir si un matériau formera un verre ou non. , " a déclaré Jason Hattrick-Simpers, co-auteur de l'article, ingénieur de recherche en matériaux au NIST. "L'IA va changer le paysage de la façon dont la science des matériaux est faite, et c'est la première étape."

La force du nombre

L'article est le premier résultat scientifique associé à un projet pilote financé par le DOE où SLAC travaille avec une société d'IA de la Silicon Valley, Informatique Citrine, transformer la façon dont de nouveaux matériaux sont découverts et mettre les outils nécessaires à la disposition des scientifiques du monde entier.

Fondée par d'anciens étudiants diplômés des universités de Stanford et Northwestern, Citrine a créé une plate-forme de données sur la science des matériaux où les données qui avaient été enfermées dans des articles publiés, les feuilles de calcul et les cahiers de laboratoire sont stockés dans un format cohérent afin qu'ils puissent être analysés avec une IA spécialement conçue pour les matériaux.

"Nous voulons prendre des matériaux et des données chimiques et les utiliser efficacement pour concevoir de nouveaux matériaux et optimiser la fabrication, " a déclaré Greg Mulholland, fondateur et PDG de l'entreprise. « C'est le pouvoir de l'intelligence artificielle :à mesure que les scientifiques génèrent plus de données, il apprend à leurs côtés, faire émerger des tendances cachées et permettre aux scientifiques d'identifier les matériaux hautes performances beaucoup plus rapidement et plus efficacement que de s'appuyer sur les méthodes traditionnelles, développement de matériaux purement humain."

Jusque récemment, réfléchir, la fabrication et l'évaluation de nouveaux matériaux étaient péniblement lentes. Par exemple, les auteurs de l'article sur le verre métallique ont calculé que même si vous pouviez cuisiner et examiner cinq types potentiels de verre métallique par jour, tous les jours de l'année, il faudrait plus de mille ans pour creuser toutes les combinaisons possibles de métaux. Quand ils découvrent un verre métallique, les chercheurs luttent pour surmonter les problèmes qui freinent ces matériaux. Certains contiennent des ingrédients toxiques ou coûteux, et tous partagent la fragilité du verre, nature sujette aux bris.

Durant la dernière décennie, les scientifiques de SSRL et d'ailleurs ont développé des moyens d'automatiser les expériences afin qu'ils puissent créer et étudier plus de nouveaux matériaux en moins de temps. Aujourd'hui, certains utilisateurs de SSRL peuvent obtenir une analyse préliminaire de leurs données presque dès leur sortie avec un logiciel d'IA développé par SSRL en collaboration avec Citrine et le projet CAMERA du Lawrence Berkeley National Laboratory du DOE.

"Avec ces systèmes automatisés, nous pouvons analyser plus de 2, 000 échantillons par jour, " dit Fang Ren, l'auteur principal de l'article, qui a développé des algorithmes pour analyser les données à la volée et coordonné leur intégration dans le système alors qu'il était chercheur postdoctoral au SLAC.

Expérimenter avec les données

Dans l'étude du verre métallique, l'équipe de recherche a étudié des milliers d'alliages contenant chacun trois alliages bon marché, métaux non toxiques.

Ils ont commencé avec une mine de données sur les matériaux datant de plus de 50 ans, y compris les résultats de 6, 000 expériences à la recherche de verre métallique. L'équipe a passé au peigne fin les données avec des algorithmes avancés d'apprentissage automatique développés par Wolverton et l'étudiant diplômé Logan Ward à Northwestern.

Sur la base de ce que les algorithmes ont appris lors de ce premier tour, les scientifiques ont conçu deux ensembles d'alliages d'échantillons en utilisant deux méthodes différentes, leur permettant de tester comment les méthodes de fabrication affectent si un alliage se transforme en verre.

Les deux ensembles d'alliages ont été scannés par un faisceau de rayons X SSRL, les données introduites dans la base de données Citrine, et de nouveaux résultats d'apprentissage automatique générés, qui ont été utilisés pour préparer de nouveaux échantillons qui ont subi une autre série de numérisation et d'apprentissage automatique.

Au troisième et dernier tour de l'expérience, Mehta a dit, le taux de réussite du groupe pour trouver du verre métallique était passé d'un sur 300 ou 400 échantillons testés à un sur deux ou trois échantillons testés. Les échantillons de verre métallique qu'ils ont identifiés représentaient trois combinaisons différentes d'ingrédients, dont deux n'avaient jamais été utilisés pour fabriquer du verre métallique auparavant.