L'intelligence artificielle en science des matériaux est un sous-domaine en pleine croissance de l'intelligence artificielle (IA) qui vise à utiliser les données pour découvrir de nouveaux matériaux ou pour aider les chercheurs à les découvrir.
Données en science des matériaux En science des matériaux, les données sont principalement obtenues par l'expérimentation et la simulation informatique. Ceci génère une grande quantité de données et de métadonnées qui doivent être traitées et stockées pour être utilisées dans diverses approches d'IA. La recherche sur les matériaux étant hautement interdisciplinaire, des données issues de la physique, de la chimie et de l'ingénierie sont utilisées. Par conséquent, les sources de données sont souvent hétérogènes et nécessitent un prétraitement intensif. C'est pourquoi le partage des données est essentiel pour la recherche en IA en science des matériaux.
Cependant, plusieurs obstacles font obstacle à ce partage, empêchant l’utilisation généralisée de l’IA dans la science des matériaux :
Des termes à la mode opaques qui empêchent un spécialiste des matériaux lambda de reconnaître facilement comment les méthodes basées sur les données pourraient être appliquées à son travail. Particularités des méthodes de traitement des données privilégiées par les chercheurs individuels Une multitude de groupes d'intérêt, poursuivant souvent des objectifs contradictoires et issus de différents domaines de recherche. Disponibilité limitée des données structurées et des normes de données convenues L' absence d'incitations claires à partager ses propres données avec autrui.
Pour surmonter ces obstacles, la science des matériaux dispose de plusieurs bases de données qui rendent leurs données accessibles au public. Celles-ci sont généralement limitées à un sous-domaine de la science des matériaux et sont généralement gérées par la communauté scientifique concernée. PoLyInfo, une base de données sur les polymères, en est un exemple.
Applications
Prédiction des propriétés des matériaux La plupart des applications de l'IA en science des matériaux servent à prédire les propriétés des matériaux. Généralement, les propriétés des matériaux, issues de simulations ou d'expériences sur des matériaux connus, sont utilisées comme paramètres d'entrée dans un modèle d'apprentissage automatique. Ce modèle explore ensuite l'espace des matériaux inconnus par régression, permettant ainsi une recherche ciblée de matériaux aux propriétés spécifiques en vue de leur synthèse ultérieure. Parmi les approches couramment utilisées, on peut citer l'optimisation bayésienne, les machines à vecteurs de support (SVM) et les régresseurs de type forêt aléatoire.
Prédiction de nouveaux matériaux L'IA peut être utilisée pour découvrir des matériaux entièrement nouveaux. Cela implique de prédire de nouveaux matériaux aux propriétés spécifiques à partir de l'espace blanc chimique, c'est-à-dire des espaces structuraux totalement inexplorés. Ces prédictions sont généralement beaucoup plus complexes que la simple prédiction des propriétés de matériaux existants et nécessitent donc des ensembles de données plus importants. Cependant, la plupart des prédictions de nouveaux matériaux fonctionnent de manière similaire à la prédiction des propriétés des matériaux. C'est pourquoi la première prédiction réussie d'un nouveau matériau à partir de l'espace blanc chimique a été réalisée par un régresseur de type forêt aléatoire.
Outre les approches de régression, d'autres méthodes sont utilisées pour prédire de nouveaux matériaux sans se baser sur les propriétés de ces matériaux. Par exemple, les réseaux de neurones convolutifs (CNN) sont utilisés pour analyser les correspondances de structure des matériaux afin de prédire d'autres matériaux possibles et leurs structures.
Soutien aux expériences L'IA est également utilisée pour soutenir et guider les chercheurs dans leurs expériences. Cela implique de combiner des approches d'IA avec la conception adaptative de matériaux, l'expérimentation à haut débit et la conception d'expériences.
Conception adaptative La conception adaptative en science des matériaux vise à réduire les incertitudes expérimentales en tentant de prédire quelle expérience devrait être menée ensuite. Pour cela, une intelligence artificielle est utilisée, qui tente d'augmenter l'amélioration attendue d'un paramètre vers un objectif prédéfini et suggère aux chercheurs l'expérience présentant le plus fort potentiel d'amélioration. Les résultats de l'expérience sont ensuite réutilisés comme input pour l'IA. Il en résulte une boucle de rétroaction constante, qui vise à rendre les expériences plus efficaces.
Expérimentation à haut débit L'expérimentation à haut débit consiste à mener un grand nombre d'expériences en parallèle afin de générer rapidement une grande quantité de données. L'objectif est de trouver la valeur optimale d'un paramètre spécifique des expériences. Ces valeurs optimales sont calculées à l'aide des données et d'une intelligence artificielle.
Conception des expériences La conception d'expériences (également appelée plan d'expériences statistique, mais plus communément désignée sous le terme de « plan d'expériences » dans ce domaine) est une méthode permettant de déterminer les relations entre les paramètres d'une expérience. L'intelligence artificielle est utilisée pour analyser les paramètres et leurs relations, et pour prédire les paramètres optimaux pour les expériences.
Validation des prédictions Alors que l'IA se répand de plus en plus en science des matériaux, la plupart des modèles développés ne sont pas validés. Cela s'explique par le fait que la validation d'un modèle d'IA nécessite à la fois une expertise en science des matériaux et en IA, ce qui est rare. De plus, il est difficile de publier des résultats lorsque les prédictions de l'IA ne peuvent être validées. Pour cette raison, il peut être judicieux de publier ses résultats non validés et de les faire valider par d'autres personnes possédant une plus grande expertise en science des matériaux.
Une méthode permettant de vérifier les prédictions sans recourir à une expérience ou à une simulation coûteuse consiste à utiliser la validation croisée de groupe. Dans cette approche, les matériaux utilisés comme données d'entrée pour les modèles sont classés selon leur espace structural chimique. Cela permet de tester et de valider les prédictions du modèle dans un espace structural donné dans d'autres espaces structuraux, garantissant ainsi la généralisation des prédictions.
Références
Catégorie:Science des matériaux Catégorie:Application de l'intelligence artificielle