Selon de nouvelles recherches, le machine learning (ou "apprentissage automatique", en français) pourrait aider à développer de nouveaux types de matériaux dotés de propriétés intéressantes telles que la résistance aux températures extrêmes et à la rouille. Des caractéristiques qui pourraient être utiles pour toute une série de secteurs : par exemple, les métaux qui résistent aux températures très basses pourraient permettre d'améliorer les engins spatiaux. Les métaux imperméables à la corrosion pourraient être utilisés sur des bateaux et des sous-marins.
Généralement, de nos jours, les scientifiques réalisent des expériences en laboratoire pour trouver des moyens de combiner les métaux afin d'en créer de nouveaux. Ils commencent par un élément bien connu, comme le fer, qui est bon marché et malléable, et ajoutent un ou deux autres éléments pour voir l'effet sur le matériau d'origine. C'est un processus laborieux avec de multiples essais et erreurs qui donne inévitablement plus de ratés que de résultats pertinents.
Le nouvel article, publié dans la revue Science ce mois-ci, suggère qu'avec l'intelligence artificielle (IA), les chercheurs peuvent prédire avec beaucoup plus de précision quelles combinaisons de métaux seront prometteuses.
Grâce à cette méthode, des chercheurs du Max Planck Institute ont réussi à identifier 17 nouveaux métaux aux caractéristiques prometteuses. L'équipe était à la recherche de métaux présentant un faible niveau "d'Invar". Il s'agit du degré de dilatation ou de contraction des matériaux lorsqu'ils sont exposés à des températures élevées ou basses.
Les métaux avec un Invar faible ne changent pas de taille même lorsqu'ils sont confrontés à des températures extrêmes. Ils sont couramment utilisés dans des secteurs comme le transport et le stockage du gaz naturel, explique Ziyuan Rao, chercheur en science des matériaux au Max Planck Institue et co-auteur de l'article publié dans Science.
L'équipe est parvenue à trouver ces nouveaux métaux grâce à une combinaison d'IA et d'expériences en laboratoire. Elle a d'abord dû relever un défi de taille : le manque de données existantes pour entraîner les modèles de machine learning. Pour ce faire, ils se sont servis de plusieurs centaines de points de données à leur disposition décrivant les propriétés des alliages métalliques existants. Le système d'IA a utilisé ces donnés pour prédire les nouveaux métaux qui présenteraient un faible Invar.
Les chercheurs ont ensuite créé ces métaux en laboratoire. Ils ont évalué les résultats avant de les réinjecter dans le modèle d'apprentissage automatique. Le processus s'est poursuivi ainsi - le modèle proposant des combinaisons de métaux, les chercheurs les testant et transmettant de nouveau les données - jusqu'à ce que les 17 nouveaux métaux aux caractéristiques prometteuses émergent.
Ces résultats pourraient ouvrir la voie à une plus grande utilisation du machine learning dans la science des matériaux. Un domaine qui repose encore largement sur l'expérimentation en laboratoire. De plus, la technique consistant à utiliser le machine learning pour faire des prédictions qui sont ensuite vérifiées en laboratoire pourrait être étendue à d'autres domaines tels que la chimie et la physique, estiment les experts en science des matériaux.
Pour comprendre en quoi cette technique constitue un développement important, il convient d'examiner la manière traditionnelle permettant de créer de nouveaux composés, explique Michael Titus, professeur adjoint de génie des matériaux à l'université Purdiue, qui n'a pas participé à l'étude en question. Le processus de bricolage en laboratoire est minutieux et inefficace.
"C'est vraiment comme chercher une aiguille dans une botte de foin", compare Michael Titus. Ce dernier dit souvent à ses nouveaux étudiants qu'il existe au bas mot un million de nouveaux matériaux possibles qui attendent d'être découverts. L'apprentissage automatique pourrait aider les chercheurs à choisir les pistes à suivre.
Easo George, professeur de science et d'ingénierie des matériaux à l'université du Tennessee, qui n'a pas participé à cette recherche, a été surpris par ce que l'équipe a pu accomplir grâce à cette nouvelle technique.
"C'est très impressionnant", reconnaît-il.
À l'avenir, l'équipe de chercheurs souhaite utiliser le machine learning pour découvrir de nouveaux alliages possédant plus d'une seule propriété souhaitée. Easo George convient que les méthodes s'appuyant sur l'informatique seront cruciales pour l'avenir de la science des matériaux.
"L'approche du machine learning sera probablement dominante car les gens ont essayé de balayer de très grands espaces de manière expérimentale mais cela prend beaucoup de temps et coûte cher", explique-t-il. "L'enjeu est de savoir si on trouvera quelque chose d'utile".
Article de Tammy Xu, traduit de l'anglais par Kozi Pastakia.
- Accès à tous nos articles pour comprendre l’économie
- Des conseils pratiques et solutions concrètes pour gérer vos finances
- Lecture immersive, publicité limitée
- Sans engagement
