L’intelligence artificielle fait progresser la façon dont les scientifiques explorent les matériaux. Des chercheurs du laboratoire Ames et de la Texas A&M University ont formé un modèle d’apprentissage automatique (ML) pour évaluer la stabilité des composés de terres rares. Ce travail a été soutenu par le programme de recherche et développement dirigé par le laboratoire (LDRD) du laboratoire Ames. Le cadre qu’ils ont développé s’appuie sur les méthodes de pointe actuelles pour expérimenter des composés et comprendre les instabilités chimiques.
Ames Lab est un chef de file dans la recherche sur les terres rares depuis le milieu du 20e siècle. Les éléments de terres rares ont un large éventail d’utilisations, notamment les technologies d’énergie propre, le stockage d’énergie et les aimants permanents. La découverte de nouveaux composés de terres rares fait partie d’un effort plus large des scientifiques pour élargir l’accès à ces matériaux.
L’approche actuelle est basée sur l’apprentissage automatique (ML), une forme d’intelligence artificielle (IA), qui est pilotée par des algorithmes informatiques qui s’améliorent grâce à l’utilisation des données et à l’expérience. Les chercheurs ont utilisé la base de données améliorée Ames Laboratory Rare Earth (RIC 2.0) et la théorie fonctionnelle de la densité (DFT) à haut débit pour jeter les bases de leur modèle ML.
Le criblage à haut débit est un schéma de calcul qui permet à un chercheur de tester rapidement des centaines de modèles. La DFT est une méthode de mécanique quantique utilisée pour étudier les propriétés thermodynamiques et électroniques de nombreux systèmes corporels. Sur la base de cette collecte d’informations, le modèle ML développé utilise l’apprentissage par régression pour évaluer la stabilité de phase des composés.
Tyler Del Rose, un étudiant diplômé de l’Iowa State University, a mené une grande partie de la recherche fondamentale nécessaire pour la base de données en écrivant des algorithmes pour rechercher sur le Web des informations pour compléter la base de données et les calculs DFT. Il a également travaillé sur la validation expérimentale des prédictions de l’IA et a aidé à améliorer les modèles basés sur ML en s’assurant qu’ils sont représentatifs de la réalité.
« L’apprentissage automatique est vraiment important ici, car lorsque nous parlons de nouvelles compositions, les matériaux commandés sont tous très bien connus de tous les membres de la communauté des terres rares », a déclaré le scientifique du laboratoire Ames, Prashant Singh, qui a dirigé l’effort d’apprentissage automatique DFT plus avec Guillermo Vazquez. et Raymundo Arroyave. « Cependant, lorsque vous ajoutez du désordre à des matériaux connus, c’est très différent. Le nombre de compositions devient considérablement plus grand, souvent des milliers ou des millions, et vous ne pouvez pas étudier toutes les combinaisons possibles en utilisant la théorie ou des expériences. »
Singh a expliqué que l’analyse des matériaux est basée sur une boucle de rétroaction discrète dans laquelle le modèle AI/ML est mis à jour à l’aide d’une nouvelle base de données DFT basée sur des informations structurelles et de phase en temps réel obtenues à partir de nos expériences. Ce processus garantit que les informations sont transmises d’une étape à l’autre et réduit les risques d’erreurs.
Yaroslav Mudryk, le superviseur du projet, a déclaré que le cadre a été conçu pour explorer les composés de terres rares en raison de leur importance technologique, mais son application ne se limite pas à la recherche sur les terres rares. La même approche peut être utilisée pour former un modèle ML pour prédire les propriétés magnétiques des composés, les contrôles de processus pour la fabrication transformatrice et optimiser les comportements mécaniques.
« Ce n’est pas vraiment destiné à découvrir un composé particulier », a déclaré Mudryk. « C’était, comment concevons-nous une nouvelle approche ou un nouvel outil pour la découverte et la prédiction des composés de terres rares? Et c’est ce que nous avons fait. »
Mudryk a souligné que ce travail n’est que le début. L’équipe explore le plein potentiel de cette méthode, mais ils sont optimistes qu’il y aura un large éventail d’applications pour le cadre à l’avenir.
Cette recherche est discutée plus en détail dans l’article « Modèle thermodynamique activé par l’apprentissage automatique pour la conception de nouveaux composés de terres rares », rédigé par P. Singh, T. Del Rose, G. Vazquez, R. Arroyave et Y. Mudryk ; et publié dans Acta Materialia.
Prashant Singh et al, Modèle thermodynamique activé par l’apprentissage automatique pour la conception de nouveaux composés de terres rares, Acta Materialia (2022). DOI : 10.1016/j.actamat.2022.117759