Les taches d’apprentissage automatique
Une équipe de chercheurs de l’Université de Lehigh a prédit une croissance anormale des grains dans des matériaux polycristallins simulés pour la première fois – un développement qui pourrait conduire à la création de matériaux plus forts et plus fiables pour des environnements à forte stress, tels que les moteurs à combustion. Un article décrivant leur nouvelle méthode d’apprentissage automatique a récemment été publié dans Matériaux informatiques de la nature.
« En utilisant des simulations, nous avons non seulement pu prédire une croissance anormale des grains, mais nous avons pu prédire le prédisser bien avant le moment où cette croissance se produit », explique Brian Y. Chen, professeur agrégé d’informatique et d’ingénierie dans le PC Rossin College of Lehigh et les sciences appliquées et co-auteur de l’étude. « Dans 86% des cas que nous avons observés, nous avons pu prédire dans les 20 premiers% de la durée de vie de ce matériau si un grain particulier deviendra anormal ou non. »
Lorsque les métaux et la céramique sont exposés à une chaleur continue – comme les températures générées par des moteurs à fusée ou d’avion, par exemple – ils peuvent échouer. Ces matériaux sont faits de cristaux ou de grains, et lorsqu’ils sont chauffés, les atomes peuvent se déplacer, provoquant la croissance ou le rétrécissement des cristaux. Lorsque quelques grains deviennent anormalement importants par rapport à leurs voisins, le changement résultant peut modifier les propriétés du matériau. Un matériau qui avait auparavant une certaine flexibilité, par exemple, peut devenir fragile.
« Alors que nous concevons des matériaux, nous aimerions être en mesure de les concevoir intentionnellement pour éviter une croissance anormale des grains », explique Chen.
Une façon plus intelligente d’identifier les matériaux stables
À ce jour, cependant, la prédiction de la croissance anormale des grains a été un problème d’aiguille dans un haystack. Il existe d’innombrables combinaisons et concentrations qui peuvent entrer dans la création d’un alliage donné. Chacun de ces métaux doit ensuite être testé, ce qui est coûteux, long et souvent peu pratique. La simulation de calcul développée par l’équipe de Chen aide à réduire les possibilités en éliminant rapidement les matériaux susceptibles de développer une croissance anormale des grains.
« Nos résultats sont importants car si vous voulez regarder cette grosse botte de foin de différents matériaux, vous ne voulez pas avoir à simuler chacun pendant trop longtemps avant de savoir si la croissance des grains anormale va se produire », dit-il. « Vous voulez simuler le moins de temps possible, puis continue. »
Le défi est que la croissance anormale des grains est un événement rare et, très tôt, les grains qui deviendront anormaux ressemblent aux autres.

Déverrouiller les motifs cachés avec l’IA
Pour y remédier, l’équipe a développé un modèle d’apprentissage en profondeur qui combinait deux techniques pour analyser comment les grains évoluent au fil du temps et interagissent les uns avec les autres: un réseau à long terme à court terme (LSTM) a modélisé la façon dont les propriétés – ou les caractéristiques – du matériau seraient évaluées et un réseau de convolution basé sur un graphique (GCRN) entre les données entre les données qui pourraient ensuite être utilisées pour la prédiction.
Initialement, les chercheurs espéraient simplement faire des prédictions réussies. Ils ne prévoyaient pas de pouvoir faire des prédictions si tôt.
« Nous pensions que les données pourraient être trop bruyantes », dit-il. « Peut-être que les propriétés que nous regardons ne révéleraient pas beaucoup sur les anomalies futures éloignées, ou peut-être que l’anomalie ne se révélerait que comme cela allait se produire, alors que cela pourrait être évident même pour l’œil humain. Mais nous avons été surpris que nous ayons réellement pu faire des prédictions jusqu’à présent à l’avance. »
Critical à cette détection précoce a utilisé leurs modèles pour examiner les caractéristiques du grain au fil du temps avant que l’anomalie ne se produise.
« Une meilleure façon de penser que les grains deviennent anormaux est de réfléchir à la façon dont ils évoluent dans le temps avant qu’ils ne changent », dit-il. « Donc, à 10 millions de pas de temps avant l’anomalie, par exemple, ils ont certaines propriétés qui pourraient différer de celles qu’ils avaient à 40 millions de pas de temps. »
L’équipe a aligné chaque simulation au moment où le grain est devenu anormal et a travaillé en arrière en examinant ses propriétés évolutives. En identifiant les tendances cohérentes de ces propriétés, ils ont pu prédire avec précision quels grains deviendraient anormaux.
« Si vous regardez les grains en termes de temps avant leur transition, vous pouvez voir des tendances partagées qui sont utiles pour la prédiction », dit-il.
Dans ce projet, Chen et son équipe ont mené des simulations de matériaux réalistes. La phase suivante consiste à appliquer l’approche aux images de matériaux réels et à voir s’ils peuvent encore prédire l’avenir. L’objectif ultime, dit Chen, est d’identifier les matériaux très stables et peut maintenir leurs propriétés physiques dans un large éventail de conditions à haute température et à forte stress. Ces matériaux pourraient permettre aux moteurs et aux pièces du moteur de fonctionner à des températures plus élevées plus longtemps avant la défaillance.
L’équipe voit également le potentiel de leur nouvelle méthode d’apprentissage automatique pour prédire d’autres événements rares, à l’intérieur et au-delà du domaine de la science des matériaux, grâce à sa capacité à identifier les signes avant-coureurs dans des systèmes complexes. Par exemple, il pourrait potentiellement aider à prédire les changements de phase dans les matériaux, les mutations conduisant à des agents pathogènes dangereux ou à des changements soudains dans des conditions atmosphériques.
« Ce travail ouvre une nouvelle possibilité passionnante pour les scientifiques des matériaux de » examiner l’avenir « pour prédire l’évolution future des structures matérielles d’une manière qui n’a jamais été possible auparavant », explique Martin Harmer, professeur de science et d’ingénierie de la Fondation Alcoa de Lehigh, émérite; Directeur de la Nano / Human Interface Presidential Research Initiative; et co-auteur du journal. « Il aura un impact majeur sur la conception de matériaux fiables pour les applications de défense, aérospatiale et commerciales. »