Accueil - - - IMPRESSION 3D - USINE DU FUTUR. Intelligence artificielle. L’intelligence artificielle rencontre la science des matériaux.

L’intelligence artificielle rencontre la science des matériaux.

0
0
62

L'intelligence artificielle rencontre la science des matériaux. dans - - - IMPRESSION 3D - USINE DU FUTUR. Intelligence artificielle. AI-materials-texas-university

Texas A&M researchers work on coding an algorithm. (Credit Photo@Dharmesh Pate)

 

 

Une équipe de recherche du Texas A & M University College of Engineering exploite la puissance de l’apprentissage automatique, de la science des données et de la connaissance du domaine d’experts pour découvrir de nouveaux matériaux de manière autonome. L’équipe a développé et démontré un cadre autonome et efficace capable d’explorer de manière optimale un espace de conception de matériaux (l’espace de conception de matériaux est une abstraction du monde concret. C’est l’espace de tous les matériaux possibles étudiés, caractérisé par des caractéristiques matérielles fondamentales). Un système autonome – ou agent d’intelligence artificielle (IA) – est défini comme tout système capable de construire une représentation interne, ou un modèle, du problème qui l’intéresse, et qui utilise ensuite ce modèle pour prendre des décisions et mener des actions indépendamment de toute implication humaine. Les auteurs de ce travail interdisciplinaire sont les Dr. Anjana Talapatra et Raymundo Arroyave du Département de la science des matériaux et de l’ingénierie, et Shahin Boluki, le Dr. Xiaoning Qian et le Dr. Edward Dougherty du Département de génie électrique et informatique.

Leur structure autonome est capable de sélectionner de manière adaptative les meilleurs modèles d’apprentissage automatique afin de trouver le matériau optimal qui répond à tous les critères. Leur recherche, financée par la National Science Foundation et le Bureau de la recherche scientifique de la Force aérienne, permettra de réduire le temps et les coûts liés aux transferts du laboratoire au marché en garantissant la plus grande efficacité possible dans la recherche du matériel adéquat.

La théorie mathématique sous-jacente a de nombreuses applications, notamment dans le domaine de la biomédecine. Par exemple, grâce à leur cadre d’apprentissage et de conception expérimental bayésien, une maladie peut être modélisée pour mettre au jour des facteurs de risque critiques afin de mettre au point des traitements efficaces pour des patients spécifiques et de réduire le coût des essais cliniques réalisés sur des humains.

Les matériaux avancés sont essentiels à la sécurité économique et au bien-être humain, avec des applications dans les industries destinées à relever les défis de l’énergie propre, de la sécurité nationale et du bien-être humain. Cependant, il peut s’écouler 20 ans ou plus pour qu’un matériau, après sa découverte, soit commercialisé.

Initiative sur le génome des matériaux

L’équipe a voulu tester le framework de manière exhaustive et a donc effectué la démonstration sur une plate-forme informatique en boucle fermée, utilisant la mécanique quantique pour prédire les propriétés des phases MAX, matériaux prometteurs pour les applications à haute température, notamment de nouveaux revêtements résistant à l’oxydation pour aubes de turbine de moteur à réaction. Le groupe Texas A & M applique également ce cadre à la découverte d’alliages à mémoire de forme pour hautes températures pouvant servir à la construction de véhicules aérospatiaux à ailes basculantes, par exemple.

Des recherches importantes sur des techniques de conception expérimentale efficaces ont déjà été menées. Cependant, cette équipe est la première à utiliser une technique bayésienne (c’est-à-dire à faire le bilan de tout ce qui est connu sur une matière / classe de matériaux et à utiliser cette connaissance pour trouver le meilleur matériau) et à l’utiliser de manière autonome, en cherchant en permanence seulement pour le prochain meilleur calcul / test à exécuter, mais aussi pour le meilleur modèle pour représenter les données acquises.

«L’exploration accélérée de l’espace des matériaux pour identifier les configurations aux propriétés optimales est un défi permanent», a déclaré Talapatra, chercheur en informatique au laboratoire d’Arroyave Computational Materials. «Les paradigmes actuels sont centrés sur l’idée de réaliser cette exploration par des expériences et / ou des calculs à haut débit. Ces approches ne tiennent pas compte des contraintes de ressources disponibles. Nous avons résolu ce problème en définissant la découverte de matériaux comme une conception d’expérimentation optimale. ”

Les méthodes présentées dans cette recherche sont flexibles et adaptables à différentes situations de recherche. De manière significative, les algorithmes de Talapatra et Boluki peuvent fonctionner avec très peu de données initiales, ce qui le rend idéal pour la recherche de nouveaux matériaux.

L’algorithme représente une avancée plus intelligente par rapport aux travaux antérieurs sur le terrain. D’autres algorithmes obligent à commencer par un modèle prédéfini, ce qui introduit une contrainte dans l’expérience et peut fausser les résultats. «Notre algorithme peut décider automatiquement et de manière autonome quel modèle est le meilleur parmi n modèles, à tout moment, en fonction des données acquises», a déclaré Talapatra. Le programme informatique autonome réduit le nombre d’étapes et limite l’utilisation de ressources limitées. Puisqu’il peut commencer avec deux expériences au moins comme points de données initiaux, l’algorithme est idéal pour optimiser les expériences initiales et déterminer le meilleur chemin à suivre.

Il peut être utilisé par les expérimentateurs comme un outil en une étape pour choisir simplement le prochain matériau à explorer, ou comme un outil purement informatique permettant de remplacer des modèles informatiques coûteux et de réduire les coûts de calcul. Il peut également être utilisé dans une configuration combinée expérimentale et informatique. À tout le moins, ce cadre constitue un moyen très efficace de construire le jeu de données initial, car il peut être utilisé pour guider des expériences ou des calculs en se concentrant sur la collecte de données dans les sections de l’espace de conception des matériaux, ce qui se traduira par le moyen le plus efficace de atteindre le matériau optimal.

«En règle générale, la recherche sur les matériaux s’effectue de manière très ponctuelle et la sérendipité tend à être la règle plutôt que l’exception», a déclaré Talapatra. «Le problème, c’est que vous ne connaissez souvent pas la physique fondamentale sur laquelle un matériau fonctionne ou non. Nos modèles ne sont pas assez précis. Lorsque vous commencez un voyage de découverte de matériaux, vous commencez avec les connaissances physiques de base, telles que le nombre d’électrons et ce qui se produit lorsque les éléments se rejoignent. Vous devez trouver les similitudes entre les caractéristiques et les propriétés. ”

“We included as much science as possible in the (artificial intelligence) models,” said Boluki, a doctoral student who will defend his thesis next fall. Boluki and Talapatra worked as implementers in the project and coded it in python together.

The paper on the algorithm has been peer reviewed, presented at several conferences and given good feedback from the materials science and engineering community. Engineers and scientists at Texas A&M are already using the program.

From cell pathology to materials science: The mathematical underpinning

In 2011, Qian and Dougherty began collaborating on enhancing experiment design in biomedical research. They utilized mathematical models to see when cells are going to the tumor stage.

That same year, federal policymakers announced the Materials Genome Initiative, which aims to accelerate the discovery of new advanced materials by combining the use of computational and experimental tools along with digital data. Over the last eight years, nationwide, much time, money and resources have been invested in this effort.

Qian and Dougherty turned their focus to materials science problems in 2013. The team started working on optimal design problems two years ago, initially collaborating with Drs. Turab Lookman and Prasanna Balachandran from Los Alamos National Laboratory. Current paradigms are typically centered around the idea of exploring the materials space through experimentation or computation and their approach showed that there are more efficient ways of discovering materials.

“While other people were focusing on the generation and analysis of huge amounts of data, we realized that the best way forward was to focus on experiment design — how to explore the vast domain of possible materials and increase our chances of success by choosing materials with a goal, target property, or response in mind,” said Talapatra.

Their research is published in the paper, “Autonomous efficient experiment design for materials discovery with Bayesian model averaging”, in Physical Review Materials. Read more here.

Source :

https://engineering.tamu.edu/news/2018/12/artificial-intelligence-meets-materials-science.html

 

Charger d'autres articles liés
Charger d'autres écrits par JC-GIROUD
Charger d'autres écrits dans - - - IMPRESSION 3D - USINE DU FUTUR. Intelligence artificielle.

Laisser un commentaire

Consulter aussi

Lubrimetal : un des plus grands producteurs mondiaux de lubrifiants pour le tréfilage.

Lubrimetal est une société chimique spécialisée dans la production de lubrifiants et autre…