Des chercheurs de l'Université de technologie de Tampere et de l'Université Aalto ont enseigné des algorithmes d'apprentissage automatique pour prédire comment les matériaux s'étirent. Cette nouvelle application de l'apprentissage automatique ouvre de nouvelles opportunités en physique et des applications possibles peuvent être trouvées dans la conception de nouveaux matériaux optimaux. L'étude a été publiée dans la prestigieuse revue Communication Nature .

La plupart des objets ordinaires ont tendance à s'étirer « uniformément », que cela :les scientifiques peuvent prédire la force nécessaire pour étirer un matériau sur une certaine distance. Des expériences récentes ont montré que ces prédictions ne tiennent pas à l'échelle du micromètre. L'étirement des cristaux microscopiques se produit par salves discrètes avec une distribution de taille très large. Étant donné que les sursauts se produisent sporadiquement, des échantillons à micro-échelle apparemment identiques peuvent s'étirer de manières très différentes. Cette variabilité des caractéristiques de résistance des échantillons pose un défi pour le développement de nouveaux matériaux avec les propriétés souhaitées. Dans leur article "Machine learning plastic deformation of crystals" publié dans Communication Nature , les chercheurs utilisent l'apprentissage automatique pour prédire les caractéristiques des échantillons individuels.

"Les algorithmes d'apprentissage automatique ont réussi à mesurer à quel point le processus d'étirement de petits échantillons cristallins est prévisible. Cela aurait été pratiquement impossible avec des moyens traditionnels, mais l'apprentissage automatique permet la découverte de résultats nouveaux et intéressants, " explique le professeur agrégé Lasse Laurson du Laboratoire de physique de l'Université de technologie de Tampere.

La déformation plastique irréversible des substances cristallines se produit lorsque des défauts cristallographiques, appelées luxations, déplacer d'un endroit dans le cristal à un autre. Matériaux cristallins, comme les métaux ou la glace contiennent presque toujours des réseaux de dislocations, avec chaque cristal contenant son propre réseau.

Les chercheurs ont formé des algorithmes d'apprentissage automatique pour reconnaître le lien entre la structure microscopique d'un objet et la quantité de force nécessaire pour étirer un échantillon. L'étude a révélé, entre autres choses, que la prévisibilité de la quantité de force requise change sur l'étirement de l'échantillon :Au début, il devient plus difficile de prévoir la force requise à mesure que l'étirement augmente, qui dépend principalement de la nature sporadique des sursauts d'étirement. Étonnamment, cependant, la prévisibilité s'améliore à mesure que l'étirement continue de croître. La taille affecte également la prévisibilité :il est plus facile de prédire le processus de déformation de cristaux plus gros que de plus petits.

"Au fur et à mesure que l'étirement grandit, le nombre de rafales diminue, améliorant ainsi la prévisibilité. Ceci est prometteur en termes de prédiction du rendement des échantillons individuels, qui est un objectif clé en physique des matériaux, " dit Henri Salmenjoki, doctorant au Département de Physique Appliquée de l'Université Aalto.

"Nos recherches indiquent que l'apprentissage automatique peut être utilisé pour prédire des processus physiques très complexes et non linéaires. En plus du développement de matériaux optimaux, des applications possibles peuvent être trouvées dans la prédiction de la dynamique de nombreux autres systèmes complexes, " explique Laurson.