Dans un monde où les pertes économiques annuelles dues à la corrosion dépassent 2,5 billions de dollars américains, la quête d’alliages résistant à la corrosion et de revêtements protecteurs est ininterrompue. L’intelligence artificielle (IA) joue un rôle de plus en plus central dans la conception de nouveaux alliages. Pourtant, le pouvoir prédictif des modèles d’IA pour prévoir le comportement de la corrosion et suggérer des formules d’alliage optimales est resté insaisissable.
Les scientifiques du Max-Planck-Institut für Eisenforschung (MPIE) ont maintenant développé un modèle d’apprentissage automatique qui améliore la précision prédictive jusqu’à 15 % par rapport aux cadres existants. Ce modèle révèle de nouvelles compositions d’alliage résistantes à la corrosion, mais réalistes. Son pouvoir distinct découle de la fusion de données numériques et textuelles. Initialement développé pour le domaine critique de la résistance à la corrosion par piqûres dans les alliages à haute résistance, la polyvalence de ce modèle peut être étendue à toutes les propriétés de l’alliage. Les chercheurs ont publié leurs derniers résultats dans la revue Avancées scientifiques.
Fusionner des textes et des chiffres
« Chaque alliage a des propriétés uniques concernant sa résistance à la corrosion. Ces propriétés ne dépendent pas seulement de la composition de l’alliage lui-même, mais aussi du processus de fabrication de l’alliage. Les modèles d’apprentissage automatique actuels ne peuvent bénéficier que de données numériques. Cependant, les méthodologies de traitement et les expériences les protocoles de test, qui sont principalement documentés par des descripteurs textuels, sont cruciaux pour expliquer la corrosion », explique Kasturi Narasimha Sasidhar, auteur principal de la publication et ancien chercheur postdoctoral au MPIE.
L’équipe de recherche a utilisé des méthodes de traitement du langage, similaires à ChatGPT, en combinaison avec des techniques d’apprentissage automatique (ML) pour les données numériques et a développé un cadre de traitement du langage naturel entièrement automatisé. De plus, impliquer des données textuelles dans le cadre ML permet d’identifier des compositions d’alliages améliorées résistantes à la corrosion par piqûres.
« Nous avons formé le modèle d’apprentissage en profondeur avec des données intrinsèques qui contiennent des informations sur les propriétés et la composition de la corrosion. Désormais, le modèle est capable d’identifier les compositions d’alliage qui sont essentielles pour la résistance à la corrosion, même si les éléments individuels n’ont pas été introduits initialement dans le modèle », déclare Michael Rohwerder, co-auteur de la publication et responsable du groupe Corrosion au MPIE.
Repousser les limites : exploration de données et traitement d’images automatisés
Dans le cadre récemment conçu, Sasidhar et son équipe ont exploité des données recueillies manuellement en tant que descripteurs textuels. Actuellement, leur objectif consiste à automatiser le processus d’exploration de données et à l’intégrer de manière transparente dans le cadre existant.
L’incorporation d’images de microscopie marque une autre étape importante, envisageant la prochaine génération de cadres d’IA qui convergent des données textuelles, numériques et basées sur des images.
Plus d’information:
Kasturi N. Sasidhar, Amélioration de la conception d’alliages résistant à la corrosion grâce au traitement du langage naturel et à l’apprentissage en profondeur, Avancées scientifiques (2023). DOI : 10.1126/sciadv.adg7992. www.science.org/doi/10.1126/sciadv.adg7992