L’apprentissage automatique utilise les données de diffraction des rayons X des polymères pour prédire le comportement de nouveaux matériaux

Les polymères tels que le polypropylène sont des matériaux fondamentaux dans le monde moderne, présents dans tout, des ordinateurs aux voitures. En raison de leur omniprésence, il est essentiel que les scientifiques des matériaux sachent exactement comment chaque polymère nouvellement développé se comportera dans différentes conditions de préparation. Comme le décrit une nouvelle étude, qui a été publié dans Science et technologie des matériaux avancésles scientifiques peuvent désormais utiliser l’apprentissage automatique pour déterminer ce qu’ils peuvent attendre d’un nouveau polymère.

Prédire les propriétés mécaniques des nouveaux polymères, comme leur résistance à la traction ou leur flexibilité, implique généralement de les soumettre à des tests physiques destructeurs et coûteux. Cependant, une équipe de chercheurs japonais, dirigée par le Dr Ryo Tamura, le Dr Kenji Nagata et le Dr Takashi Nakanishi de l’Institut national des sciences des matériaux de Tsukuba, a montré que l’apprentissage automatique peut prédire les propriétés matérielles des polymères.

Ils ont développé la méthode sur un groupe de polymères appelés homo-polypropylènes, en utilisant des diagrammes de diffraction des rayons X des polymères dans différentes conditions de préparation pour fournir des informations détaillées sur leur structure et leurs caractéristiques complexes.

« L’apprentissage automatique peut être appliqué aux données de matériaux existants pour prédire les propriétés de matériaux inconnus », expliquent les Dr Tamura, Nagata et Nakanishi. « Cependant, pour obtenir des prévisions précises, il est essentiel d’utiliser des descripteurs qui représentent correctement les caractéristiques de ces matériaux. »

Les polymères cristallins thermoplastiques, comme le polypropylène, présentent une structure particulièrement complexe qui se modifie encore davantage lors du processus de moulage pour obtenir la forme du produit final. Il était donc important pour l’équipe de capturer correctement les détails de la structure des polymères grâce à la diffraction des rayons X et de s’assurer que l’algorithme d’apprentissage automatique puisse identifier les descripteurs les plus importants dans ces données.

Pour ce faire, ils ont analysé deux ensembles de données à l’aide d’un outil appelé déconvolution spectrale bayésienne, qui permet d’extraire des modèles à partir de données complexes. Le premier ensemble de données était constitué de données de diffraction des rayons X provenant de 15 types d’homopolypropylènes soumis à une gamme de températures, et le second de données provenant de quatre types d’homopolypropylènes ayant subi un moulage par injection.

Les propriétés mécaniques analysées comprenaient la rigidité, l’élasticité, la température à laquelle le matériau commence à se déformer et la mesure dans laquelle il s’étirerait avant de se rompre.

L’équipe a constaté que l’analyse par apprentissage automatique reliait avec précision les caractéristiques de l’imagerie par diffraction des rayons X aux propriétés matérielles spécifiques des polymères. Certaines propriétés mécaniques étaient plus faciles à prédire à partir des données de diffraction des rayons X, tandis que d’autres, comme le point de rupture par étirement, étaient plus difficiles à prévoir.

« Nous pensons que notre étude, qui décrit la procédure utilisée pour fournir un modèle de prédiction d’apprentissage automatique très précis en utilisant uniquement les résultats de diffraction des rayons X des matériaux polymères, offrira une alternative non destructive aux méthodes de test des polymères conventionnelles », déclarent les chercheurs du NIMS.

L’équipe a également suggéré que son approche de déconvolution spectrale bayésienne pourrait être appliquée à d’autres données, telles que la spectroscopie de photoélectrons à rayons X, et utilisée pour comprendre les propriétés d’autres matériaux, à la fois inorganiques et organiques.

« Cela pourrait devenir un cas test pour les futures approches basées sur les données en matière de conception et de science des polymères », déclare l’équipe du NIMS.