Les scientifiques développent une méthode de « fingerprinting » de matériaux à l’aide de l’IA et de la technologie à rayons X

Les matériaux, comme les personnes, évoluent au fil du temps et se comportent différemment sous stress et relaxation. Comprendre ces changements dynamiques a longtemps été un défi pour les scientifiques, car les modèles complexes de comportement des matériaux sont souvent trop intriqués pour une analyse humaine seule. Les méthodes traditionnelles d’étude de la dynamique des matériaux ont eu du mal à capturer l’ensemble des changements qui se produisent au niveau moléculaire, laissant des lacunes dans notre compréhension de la façon dont les matériaux se transforment dans diverses conditions.

En réponse à ce défi, les chercheurs du laboratoire national d’Argonne du département de l’Énergie des États-Unis ont développé une approche innovante. Cette nouvelle technique utilise la spectroscopie de corrélation de photons à rayons X (XPCS), l’intelligence artificielle et l’apprentissage automatique pour créer des « empreintes digitales » de différents matériaux. Ces empreintes digitales peuvent ensuite être analysées par un réseau neuronal, révélant des informations précédemment inaccessibles sur le comportement des matériaux.

La technologie derrière l’innovation

Au cœur de cette technique révolutionnaire se trouve la spectroscopie de corrélation de photons à rayons X, ou XPCS. Le XPCS est une méthode d’imagerie avancée qui utilise des rayons X puissants pour sonder la structure et la dynamique des matériaux à l’échelle nanométrique. Comme l’explique James (Jay) Horwath, chercheur postdoctoral à Argonne, « La façon dont nous comprenons comment les matériaux bougent et changent au fil du temps est en collectant des données de diffusion de rayons X. » Ces données de diffusion fournissent une grande quantité d’informations sur la structure et le comportement du matériau, mais les modèles qui en résultent sont incroyablement complexes.

Pour donner un sens à la grande quantité de données générées par le XPCS, les chercheurs ont recours à l’IA pour reconnaître les modèles et extraire des informations significatives de grands ensembles de données complexes. Dans ce cas, les algorithmes d’IA et d’apprentissage automatique sont chargés d’analyser les modèles de diffusion de rayons X pour identifier des motifs et des tendances récurrents qui pourraient échapper aux observateurs humains.

Algorithme d’apprentissage automatique non supervisé

Un élément clé de cette nouvelle approche est l’utilisation d’un algorithme d’apprentissage automatique non supervisé. Contrairement à l’apprentissage supervisé, qui nécessite des données d’entraînement étiquetées par l’homme, les algorithmes non supervisés peuvent découvrir des modèles et des structures dans les données sans guidance préalable. Cela les rend particulièrement adaptés pour explorer des ensembles de données scientifiques complexes où les modèles sous-jacents ne sont pas connus à l’avance.

Horwath met en évidence la puissance de cette approche, déclarant : « L’objectif de l’IA est simplement de traiter les modèles de diffusion comme des images ou des photos régulières et de les analyser pour déterminer quels sont les modèles récurrents. L’IA est un expert en reconnaissance de modèles. » Cette capacité à reconnaître et à catégoriser des modèles sans intervention humaine permet une analyse plus complète et impartiale du comportement des matériaux.

Le projet AI-NERD

Le cœur de cette approche innovante réside dans un projet appelé Intelligence artificielle pour la dynamique de relaxation non équilibre, ou AI-NERD. Au centre de l’AI-NERD se trouve une technique connue sous le nom de auto-encodeur, un type de réseau neuronal spécifiquement conçu pour la compression de données efficace et l’extraction de fonctionnalités.

L’auto-encodeur fonctionne en transformant les données d’images de diffusion de rayons X originales en une représentation compacte, que les chercheurs appellent « représentation latente » ou « empreinte digitale ». Ce processus distille les caractéristiques essentielles de la structure et du comportement du matériau en une forme plus gérable. Importamment, l’auto-encodeur inclut également un algorithme de décodeur qui peut reconstruire l’image complète à partir de cette représentation compressée, garantissant que keine information critique n’est perdue au cours du processus.

Création d’empreintes digitales de matériaux

Ces empreintes digitales de matériaux servent de sorte de code génétique pour la substance étudiée. Comme l’explique Horwath, « Vous pouvez penser à cela comme avoir le génome du matériau, il contient toutes les informations nécessaires pour reconstruire l’image complète. » En condensant les données de diffusion de rayons X complexes en ces empreintes digitales, les chercheurs peuvent plus facilement comparer et analyser différents matériaux ou le même matériau dans diverses conditions.

Cartographie et analyse des quartiers d’empreintes digitales

La dernière étape du processus AI-NERD consiste à créer une carte de ces empreintes digitales de matériaux. Des empreintes digitales similaires sont regroupées en quartiers, permettant aux chercheurs de visualiser les relations et les modèles entre différents matériaux ou états. En examinant les caractéristiques de ces quartiers d’empreintes digitales, les scientifiques peuvent acquérir de nouvelles connaissances sur la structure et l’évolution des matériaux au fil du temps, alors qu’ils subissent des contraintes et se relâchent.

Cette approche de cartographie fournit une vue d’ensemble du comportement des matériaux, permettant aux chercheurs d’identifier des tendances et des relations qui pourraient ne pas être apparentes lorsqu’on examine des points de données individuels. C’est un outil puissant pour comprendre la dynamique complexe des matériaux à l’échelle moléculaire, ouvrant de nouvelles voies pour la recherche en science des matériaux et des applications potentielles dans divers domaines.

Applications et implications

Compréhension de la structure et de l’évolution des matériaux

L’approche AI-NERD offre des connaissances sans précédent sur le comportement des matériaux dans diverses conditions. En analysant les « empreintes digitales » créées grâce à cette technique, les scientifiques peuvent suivre des changements subtils dans la structure des matériaux au fil du temps, en particulier lorsque les matériaux sont soumis à des contraintes ou autorisés à se relâcher. Cette compréhension détaillée de l’évolution des matériaux pourrait conduire au développement de matériaux plus durables et plus réactifs pour une large gamme d’applications, allant de la construction à l’électronique.

Avantages par rapport aux méthodes d’analyse traditionnelles

Les méthodes traditionnelles d’analyse du comportement des matériaux s’appuient souvent sur l’interprétation humaine de données complexes, ce qui peut être chronophage et sujet à des préjugés. L’approche basée sur l’IA surmonte ces limites en traitant rapidement de grandes quantités de données et en identifiant des modèles qui pourraient être invisibles à l’œil humain. Comme le note Horwath, « Lorsque nous dirigeons le faisceau de rayons X, les modèles sont si divers et si compliqués qu’il devient difficile même pour les experts de comprendre ce que signifient les uns et les autres. » En exploitant l’IA, les chercheurs peuvent découvrir des connaissances qui seraient pratiquement impossibles à discerner par des moyens conventionnels.

Potentiel pour de nouvelles découvertes en science des matériaux

La capacité de « lire » et d’interpréter les empreintes digitales de matériaux ouvre des possibilités excitantes pour de nouvelles découvertes en science des matériaux. Les chercheurs peuvent maintenant explorer comment différents matériaux réagissent à divers stimuli à l’échelle moléculaire, ce qui pourrait potentiellement conduire au développement de nouveaux matériaux dotés de propriétés spécifiques. Cela pourrait avoir des implications considérables pour des domaines tels que le stockage d’énergie, la technologie des semi-conducteurs et la biomedicine, où comprendre et contrôler le comportement des matériaux à l’échelle nanométrique est crucial.

Prospectives futures

L’importance de cette approche basée sur l’IA est susceptible de croître avec la mise à niveau prochaine de la Source de photons avancée d’Argonne (APS). La facilité améliorée générera des faisceaux de rayons X 500 fois plus brillants que l’APS d’origine, produisant une énorme quantité de données qui nécessitera des techniques d’analyse avancées. Horwath souligne ce point, déclarant : « Les données que nous obtenons à partir de l’APS amélioré auront besoin de la puissance de l’IA pour les trier. » Le projet AI-NERD se positionne ainsi comme un outil essentiel pour maximiser le potentiel de cette installation de recherche de nouvelle génération.

Le développement de l’AI-NERD a également favorisé la collaboration entre différents groupes de recherche au Laboratoire national d’Argonne. Le groupe de théorie du Centre des matériaux à l’échelle nanométrique (CNM) a collaboré avec le groupe de calcul de la division de la science des rayons X d’Argonne pour effectuer des simulations moléculaires de la dynamique des polymères. Ces simulations ne complètent pas seulement les données expérimentales obtenues par le biais du XPCS, mais fournissent également des données synthétiques pour l’entraînement des flux de travail d’IA. 

Alors que l’attention se concentre actuellement sur la science des matériaux, l’approche basée sur l’IA développée grâce à l’AI-NERD a le potentiel d’avoir un impact sur un large éventail de domaines scientifiques. Toute discipline qui traite de systèmes complexes et évolutifs dans le temps pourrait bénéficier de cette technique. Par exemple, elle pourrait être appliquée pour étudier les processus biologiques, les systèmes environnementaux ou même les phénomènes astrophysiques. La capacité d’extraire des modèles significatifs de grandes quantités de données est un besoin universel dans la science moderne, ce qui rend cette approche potentiellement transformatrice dans de multiples disciplines.

En résumé

La combinaison innovante de la spectroscopie de corrélation de photons à rayons X, de l’intelligence artificielle et de l’apprentissage automatique représente un saut significatif dans notre capacité à comprendre et à manipuler les matériaux à l’échelle moléculaire. En créant et en analysant les empreintes digitales de matériaux, les chercheurs peuvent maintenant découvrir des dynamiques et des relations cachées, potentiellement révolutionnant des domaines allant du stockage d’énergie à la biomedicine. À mesure que cette technologie continue d’évoluer, en particulier en conjonction avec des installations avancées comme l’APS amélioré, elle promet d’accélérer le rythme de la découverte scientifique et d’ouvrir de nouvelles frontières dans la recherche en science des matériaux.