En science des matériaux, les substances sont souvent classées en fonction de facteurs déterminants tels que leur composition élémentaire ou leur structure cristalline. Cette classification est essentielle pour les avancées dans la découverte de matériaux, car elle permet aux chercheurs d’identifier des classes de matériaux prometteuses et d’en explorer de nouvelles ayant des fonctions et des propriétés similaires.
Une récente Systèmes intelligents avancés Une étude menée par le chercheur Nobuya Sato et le professeur adjoint Akira Takahashi de l’Institut de technologie de Tokyo a mis au point une nouvelle technique de regroupement basée sur l’apprentissage automatique. Cette technique permet de regrouper des matériaux similaires en prenant en compte à la fois leurs caractéristiques de base et les propriétés cibles.
Les progrès de l’apprentissage automatique ont rendu le processus de classification beaucoup moins fastidieux et ont également ouvert la voie à des méthodes efficaces de prédiction des matériaux aux propriétés intéressantes en se basant sur les caractéristiques de base des compositions chimiques et des structures cristallines. L’analyse de cluster, une technique d’apprentissage automatique couramment utilisée, utilise ces caractéristiques de base non seulement pour classer les matériaux et résumer les similitudes entre eux, mais aussi pour fournir des informations sur les relations entre les matériaux appartenant au même groupe.
Bien que cela représente un progrès significatif vers la découverte de nouveaux matériaux dotés de fonctionnalités uniques, les techniques de clustering conventionnelles ne parviennent souvent pas à prendre en compte les propriétés du matériau cible, telles que les bandes interdites et les constantes diélectriques, qui sont liées à ces caractéristiques de base.
Mais pourquoi est-il important d’inclure les propriétés cibles dans l’analyse de clustering des matériaux ?
Takahashi explique : « Si nous essayons de classer les semi-conducteurs en fonction de la largeur de la bande interdite et d’étudier les caractéristiques chimiques des catégories respectives, l’analyse uniquement avec la propriété cible ne fournirait pas une image complète. Le regroupement en termes de bande interdite peut rassembler les matériaux dans un groupe où certains écarts sont déterminés par l’électronégativité tandis que d’autres sont déterminés par des caractéristiques liées à la covalence.
« À l’inverse, l’utilisation de caractéristiques de base uniquement peut ne pas permettre de regrouper des matériaux qui présentent des propriétés similaires. Nous avons donc besoin d’une approche qui tienne compte de la relation entre les caractéristiques de base et les propriétés cibles. »
Pour garantir l’inclusion simultanée des caractéristiques de base et des propriétés cibles, les chercheurs ont introduit ces dernières informations dans le modèle de clustering par la régression de forêt aléatoire (RF), un algorithme d’apprentissage supervisé qui apprend la relation entre les entrées et les sorties pour s’améliorer. Les chercheurs ont entraîné le modèle de régression RF à prédire une propriété ciblée donnée.
Ensuite, les caractéristiques de base ont été transformées en vecteurs z, c’est-à-dire des informations basées sur les chemins empruntés par le modèle RF. Enfin, une analyse de clustering a été réalisée sur les vecteurs z transformés.
Cela a permis aux chercheurs de classer plus de 1 000 oxydes en groupes de matériaux en fonction de leurs caractéristiques de base, comme la composition et la structure cristalline, ainsi que des propriétés cibles telles que l’énergie de formation, la bande interdite et la constante diélectrique électronique. Bien que cette étude se soit concentrée uniquement sur les cas de propriétés cibles uniques, les chercheurs suggèrent que cette nouvelle technique pourrait être étendue au regroupement de matériaux en fonction de propriétés cibles multiples.
« Notre méthode offre un point de vue unique pour le clustering qui met l’accent sur la compréhension et l’apprentissage de la relation entre la propriété cible et les caractéristiques de base, fournissant ainsi un groupe de matériaux prometteurs imprévus et un facteur clé pour la fonction matérielle souhaitable, et accélérant la découverte de nouveaux matériaux aux propriétés fascinantes », a conclu Takahashi.
Plus d’information:
Nobuya Sato et al., Analyse de clustering dépendante des propriétés du matériau cible des composés inorganiques, Systèmes intelligents avancés (2024). DOI: 10.1002/aisy.202400253