Figure 1. Schéma de principe du projet phare M3I3. Ce projet vise à réaliser l'intégration transparente des relations multi-échelles « structure-propriété » et « traitement-propriété » via la modélisation des matériaux, imagerie, et l'apprentissage automatique. Avec la capacité de synthèse automatique guidée par l'intelligence artificielle (IA), M3I3 permettra le développement accéléré de nouveaux matériaux dans un avenir proche. Crédit :KAIST
Le développement de nouveaux matériaux et de nouveaux procédés a continué de changer le monde. L'initiative M3I3 de KAIST a conduit à de nouvelles connaissances sur l'avancement du développement de matériaux en mettant en œuvre des percées dans l'imagerie des matériaux qui ont créé un changement de paradigme dans la découverte de matériaux. L'Initiative présente la modélisation et l'imagerie multi-échelles des relations de structure et de propriété et des hiérarchies de matériaux combinées aux dernières données de traitement des matériaux.
L'équipe de recherche dirigée par le professeur Seungbum Hong a analysé les projets de recherche sur les matériaux rapportés par les principaux instituts et groupes de recherche mondiaux, et dérivé un modèle quantitatif en utilisant l'apprentissage automatique avec une interprétation scientifique. Ce procédé incarne l'objectif de recherche du M3I3 :Matériaux et Modélisation Moléculaire, Imagerie, Informatique et Intégration.
Les chercheurs ont discuté du rôle des matériaux multi-échelles et de l'imagerie moléculaire combinée à l'apprentissage automatique et ont également présenté des perspectives d'avenir pour les développements et les enjeux majeurs du M3I3. En construisant ce modèle, l'équipe de recherche envisage de créer des ensembles de propriétés souhaités pour les matériaux et d'obtenir les recettes de traitement optimales pour les synthétiser.
"Le développement de divers outils de microscopie et de diffraction avec la capacité de cartographier la structure, biens, et les performances des matériaux à des niveaux multi-échelles et en temps réel nous ont permis de penser que l'imagerie des matériaux pouvait accélérer radicalement la découverte et le développement de matériaux, " dit le professeur Hong.
« Nous prévoyons de créer un référentiel M3I3 de cartes structurelles et de propriétés interrogeables à l'aide de FAIR (Findable, Accessible, Interopérable, et réutilisables) pour normaliser les meilleures pratiques et rationaliser la formation des chercheurs en début de carrière. »
Figure 2. Tracé triangulaire du contour de capacité en fonction de la composition (Ni, Co, et Mn), la taille des particules, température/temps de frittage, température de mesure, tension de coupure, et taux C. Crédit :KAIST
L'un des exemples qui montre la puissance de l'imagerie des propriétés de structure à l'échelle nanométrique est le développement de futurs matériaux pour les dispositifs de mémoire non volatile émergents. Spécifiquement, l'équipe de recherche s'est concentrée sur la microscopie à l'aide de photons, électrons, et des sondes physiques sur la hiérarchie structurelle multi-échelle, ainsi que des relations structure-propriété pour améliorer les performances des dispositifs de mémoire.
"M3I3 est un algorithme permettant d'effectuer la rétro-ingénierie des matériaux du futur. La rétro-ingénierie commence par analyser la structure et la composition de matériaux ou de produits de pointe. Une fois que l'équipe de recherche a déterminé les performances de nos futurs matériaux ciblés, nous avons besoin de connaître les structures et compositions candidates pour produire les futurs matériaux."
L'équipe de recherche a construit une conception expérimentale basée sur les données et basée sur le NCM traditionnel (nickel, cobalt, et manganèse) matériaux cathodiques. Avec ça, l'équipe de recherche a élargi son orientation future pour atteindre une capacité de décharge encore plus élevée, qui peut être réalisé via des cathodes riches en Li.
Cependant, l'un des principaux défis était la limitation des données disponibles décrivant les propriétés des cathodes riches en Li. Pour atténuer ce problème, les chercheurs ont proposé deux solutions :d'abord, ils devraient créer un générateur de données guidé par l'apprentissage automatique pour l'augmentation des données. Seconde, ils utiliseraient une méthode d'apprentissage automatique basée sur « l'apprentissage par transfert ». Étant donné que la base de données de cathodes NCM partage une caractéristique commune avec une cathode riche en Li, on pourrait envisager de réutiliser le modèle formé par NCM pour aider à la prédiction riche en Li. Avec le modèle préformé et l'apprentissage par transfert, l'équipe s'attend à réaliser des prédictions exceptionnelles pour les cathodes riches en Li, même avec le petit ensemble de données.
Avec les progrès de l'imagerie expérimentale et la disponibilité d'informations bien résolues et de mégadonnées, avec des avancées significatives dans le calcul haute performance et une poussée mondiale vers un général, collaboratif, intégrateur, et plateforme de recherche à la demande, il y a une confluence claire dans les capacités requises pour faire avancer l'initiative M3I3.
Le professeur Hong a dit :« Une fois que nous avons réussi à utiliser le solveur inverse de « traitement de la structure des propriétés » pour développer la cathode, anode, électrolyte, et matériaux membranaires pour batteries Li-ion à haute densité énergétique, nous allons étendre notre gamme de matériaux aux batteries/piles à combustible, aérospatial, automobile, nourriture, Médicament, et des matériaux cosmétiques.
