Dans le cadre de recherches sur les matériaux, le National Institute of Standards and Technology (NIST) a élaboré un modèle d’IA. Cet algorithme baptisé Closed-Loop Autonomous System for Materials Exploration (CAMEO) aide les chercheurs à reconnaître un matériau en cibla. Grâce à cet outil, ils ont pu identifier un nouveau composant qui pourrait être utilisé dans des dispositifs photoniques ou pour l’informatique neuromorphique.
Un algorithme pour aider la science des matériaux
De nombreux scientifiques travaillent à la découverte de nouveaux matériaux pouvant être utilisés dans des applications spécifiques, comme un métal léger, mais solide pour la construction d’une voiture, ou un alliage capable de résister à des contraintes et des températures élevées pour un moteur à réaction.
Mais trouver de tels nouveaux matériaux nécessite généralement un grand nombre d’expériences coordonnées et de longues recherches théoriques : par exemple, si un composant voit sa structure se modifier selon la température du milieu, il faudra réaliser de nombreuses expériences pour savoir comment il se comporte. Imaginons désormais que le matériau ne dépend pas que de la température, mais également d’autres paramètres, le nombre de tests est alors décuplé, et les experts ne peuvent pas tous les réaliser.
En réponse à cette problématique, des chercheurs du NIST aux États-Unis ont proposé CAMEO, un algorithme visant à garantir que chaque expérience menée puisse fournir un maximum d’informations sur les matériaux afin de mieux les comprendre. Son élaboration a été décrite dans un article rédigé par une quinzaine de chercheurs, dont l’auteur principal est Aaron Gilad Kusne.
Le machine learning dans l’optique d’entrainer CAMEO
CAMEO est capable d’identifier un nouveau matériau en opérant en boucle fermée : il détermine quelle expérience exécuter sur un matériau, effectue l’expérience et collecte les données utiles. Il peut également demander plus d’informations au chercheur avant de lancer l’expérience suivante, telle que la structure cristalline du matériau souhaité, afin que le modèle puisse réaliser le meilleur test possible. En parallèle, l’expert est informé de toutes les expériences effectuées dans la boucle.
Les scientifiques ont entrainé CAMEO grâce au machine learning. Pour analyser des matériaux, on réalise une expérience qui nécessite des rayons X. L’algorithme est installé sur un ordinateur qui se connecte à l’équipement de diffraction des rayons X. CAMEO choisit le matériau sur lequel les rayons X se concentrent pour étudier sa structure atomique. À chaque nouvelle expérience, le modèle conserve les données et les apprend afin de les utiliser dans le cadre d’un prochain test.
L’IA est conçue pour contenir l’ensemble des principes clés de la science des matériaux, y compris la connaissance des simulations et des expériences déjà réalisées par le passé. Par exemple, les chercheurs ont doté CAMEO des éléments de base de la cartographie de phase, qui décrit comment la disposition des atomes dans un matériau change avec la composition chimique et la température.
Les potentiels avantages de CAMEO
Grâce à CAMEO, les chercheurs ont découvert le matériau Ge4Sb6Te7 (GST467) parmi les 177 qu’ils ont étudiés. Pour y parvenir, le modèle a effectué 19 cycles expérimentaux qui ont duré 10 heures. À titre comparatif, il aurait fallu 90 heures pour un scientifique en laboratoire pour arriver au même résultat.
Les chercheurs précisent que CAMEO pourrait être utilisé pour de nombreuses autres applications de matériaux. Le code de cet algorithme est open source et sera disponible gratuitement pour utilisation par les scientifiques et les chercheurs. Le système permet également aux scientifiques de travailler à distance. L’équipe a indiqué chercher à améliorer l’outil et à concevoir des algorithmes capables de résoudre des problèmes toujours plus complexes.
