Les chercheurs de l'Université Rice ont utilisé un modèle de microstructure de nitrure de bore hexagonal endommagé par les radiations pour les aider à étudier les avantages des techniques d'apprentissage en profondeur dans la simulation de matériaux bidimensionnels pour comprendre leurs caractéristiques. Crédit :Prabhas Hundi/Université Rice
Les scientifiques découvrent de nouveaux matériaux bidimensionnels à un rythme rapide, mais ils ne savent pas toujours immédiatement ce que ces matériaux peuvent faire.
Des chercheurs de la Brown School of Engineering de l'Université Rice disent qu'ils peuvent le découvrir rapidement en fournissant les détails de base de leurs structures à des agents d'"apprentissage en profondeur" qui ont le pouvoir de cartographier les propriétés des matériaux. Mieux encore, les agents peuvent rapidement modéliser les matériaux que les scientifiques envisagent de fabriquer pour faciliter la conception « ascendante » des matériaux 2D.
Rouzbeh Shahsavari, professeur assistant en génie civil et environnemental, et Rice, Prabhas Hundi, étudiant diplômé, ont exploré les capacités des réseaux de neurones et des perceptrons multicouches qui prennent des données minimales à partir des structures simulées de matériaux 2D et font des prédictions « raisonnablement précises » de leurs caractéristiques physiques, comme la force, même après avoir été endommagés par les radiations et les températures élevées.
Une fois formé, Shahsavari a dit, ces agents pourraient être adaptés pour analyser de nouveaux matériaux 2D avec aussi peu que 10 pour cent de leurs données structurelles. Cela renverrait une analyse des forces du matériau avec une précision d'environ 95 %, il a dit.
"Cela suggère que l'apprentissage par transfert (dans lequel un algorithme d'apprentissage en profondeur formé sur un matériau peut être appliqué à un autre) est un changement potentiel dans les approches de découverte et de caractérisation de matériaux, " ont suggéré les chercheurs.
Les résultats de leurs tests approfondis sur le graphène et le nitrure de bore hexagonal apparaissent dans la revue Petit .
Depuis la découverte du graphène en 2004, les matériaux à épaisseur atomique ont été vantés pour leur résistance et leur gamme de propriétés électroniques pour les composites et l'électronique. Parce que leurs arrangements atomiques ont un impact significatif sur leurs propriétés, les chercheurs utilisent souvent des simulations de dynamique moléculaire pour analyser les structures de nouveaux matériaux 2D avant même d'essayer de les fabriquer.
Prabhas Hundi, étudiant diplômé de l'Université Rice, la gauche, et Rouzbeh Shahsavari, professeur assistant en génie civil et environnemental, utilisent des techniques d'apprentissage en profondeur pour accélérer les simulations de nouveaux matériaux bidimensionnels afin de comprendre leurs caractéristiques et comment ils sont affectés par les hautes températures et les radiations. Crédit :Jeff Fitlow/Université Rice
Shahsavari a déclaré que l'apprentissage en profondeur offre une accélération significative par rapport à ces simulations traditionnelles de matériaux 2D et de leurs caractéristiques, permettant aux calculs qui prennent maintenant des jours de temps de supercalculateur de s'exécuter en heures.
"Parce que nous pouvons construire nos cartes structure-propriété avec seulement une fraction des données des simulations de dynamique moléculaire du graphène ou du nitrure de bore, on voit un ordre de grandeur en moins de temps de calcul pour obtenir un comportement complet du matériau, " il a dit.
Shahsavari a déclaré que le laboratoire avait décidé d'étudier le graphène et le nitrure de bore hexagonal pour leur haute tolérance à la détérioration sous des températures élevées et dans des environnements riches en radiations, propriétés importantes pour les matériaux dans les engins spatiaux et les centrales nucléaires. Parce que le groupe Shahsavari avait déjà réalisé plus de 11 000 simulations de dynamique moléculaire de dommages en cascade de rayonnement pour un autre article sur les matériaux 2D, ils étaient incités à voir s'ils pouvaient reproduire leurs résultats avec une méthode beaucoup plus rapide.
Ils ont effectué des milliers de simulations d'"apprentissage en profondeur" sur 80 combinaisons de rayonnement et de température pour le nitrure de bore hexagonal et 48 combinaisons pour le graphène, frapper chaque combinaison avec 31 doses aléatoires de rayonnement simulé. Pour certains, les chercheurs ont formé l'agent d'apprentissage en profondeur avec un maximum de 45% des données de leur étude de dynamique moléculaire, atteindre jusqu'à 97 % de précision dans la prédiction des défauts et de leurs effets sur les caractéristiques du matériau.
Adapter les agents formés aux différents matériaux, ils ont trouvé, requis seulement environ 10 pour cent des données simulées, accélérant considérablement le processus tout en conservant une bonne précision.
"Nous avons essayé de déterminer les résistances résiduelles correspondantes des matériaux après exposition à des conditions extrêmes, avec tous les défauts, " dit-il. " Comme prévu, lorsque la température moyenne ou le rayonnement étaient trop élevés, la résistance résiduelle est devenue assez faible. Mais cette tendance n'a pas toujours été évidente."
Dans certains cas, il a dit, le rayonnement plus élevé combiné et les températures plus élevées ont rendu un matériau plus robuste au lieu de moins, et cela aiderait les chercheurs à le savoir avant de fabriquer un produit physique.
"Notre méthode d'apprentissage en profondeur sur le développement de cartes structure-propriétés pourrait ouvrir un nouveau cadre pour comprendre le comportement des matériaux 2D, découvrir leurs points communs et anomalies non intuitifs, et éventuellement mieux les concevoir pour des applications sur mesure, " a déclaré Shahsavari.
