L’IA accélère la recherche de matériaux aérospatiaux

Les chercheurs de Skoltech et MIPT ont accéléré la recherche d’alliages métalliques haute performance pour l’industrie aérospatiale, le génie mécanique et l’électronique. L’approche axée sur l’apprentissage automatique de l’équipe sert de moyen accéléré de sélectionner des compositions d’alliages prometteurs pour les expérimentateurs à tester dans les laboratoires.

Sans cette astuce, la modélisation des alliages est si exigeante sur le plan informatique que les scientifiques des matériaux doivent faire des suppositions éduquées quant à l’endroit où se trouve le plus potentiel – au coût de la négligence des bijoux cachés. Signalé dans MATÉRIAUX DE COMPORTATION NPJla nouvelle méthode permet une recherche plus exhaustive de candidats en alliage.

Les métaux purs présentent souvent des propriétés inférieures à celles des alliages de plusieurs métaux, parfois avec d’autres éléments tels que le carbone ou le silicium ajoutés dans le mélange. En faisant varier la composition et le rapport des éléments constituants, il est possible d’ajuster les caractéristiques d’un alliage: résistance, salonabilité, point de fusion, résistance à la corrosion, conductivité électrique, etc. De cette façon, les scientifiques des matériaux recherchent de nouveaux alliages avec de meilleures caractéristiques pour la technologie aérospatiale, l’ingénierie mécanique, la construction, l’électronique, les instruments médicaux, etc.

Cependant, ce n’est qu’après que les caractéristiques d’un nouvel alliage ont été soigneusement testées et mesurées dans des expériences en laboratoire qu’elle monte sur le radar des ingénieurs. Le problème est que de telles expériences sont extrêmement coûteuses et prennent du temps. De plus, même les expériences simulées explorant les propriétés des alliages nécessitent tellement de puissance de calcul que la recherche doit être limitée et ne peut pas considérer chaque option possible.

« Le nombre de candidats potentiels est vaste parce que tant de variables sont impliquées: quels éléments constituent l’alliage, dans lequel les proportions, ce qu’est la structure cristalline, etc. », explique le co-auteur de l’étude, le professeur Alexander Shapeev, qui dirige le laboratoire de l’intelligence artificielle pour la conception des matériaux à Skoltech AI.

« Pour vous donner une idée, dans le système le plus simple de deux éléments, disons le niobium et le tungstène, si nous considérons une cellule de réseau cristallin avec 20 atomes, vous devrez modéliser plus d’un million de combinaisons possibles, ou 2 à la Pouvoir de 20, pas en tenant compte de la symétrie. « 

Les approches de pointe pour la modélisation et la sélection d’alliages prometteurs, y compris les algorithmes évolutifs, les réseaux de neurones graphiques et la méthode de l’essaim de particules, sont bons pour la recherche ciblée de candidats, sans passer par chaque combinaison possible. Mais cela risque de manquer des matériaux inattendus avec des caractéristiques exceptionnelles.

« Les approches actuelles reposent sur une description physique fondamentale du processus en termes de calculs mécaniques quantiques directs », ajoute l’auteur principal de l’étude, l’étudiant de Skoltech MSC Viktoria Zinkovich du programme de science des données, qui est également une ancienne ancienne BSC de MIPT.

« Ce sont des calculs très précis mais complexes et longs. Nous, en revanche, utilisons des potentiels d’apprentissage automatique, qui sont caractérisés par des calculs rapides et permettons de trier toutes les combinaisons possibles jusqu’à une certaine limite de coupure, 20, 20 Les atomes par supercell, par exemple.

La nouvelle approche a été validée sur deux systèmes: cinq métaux avec des points de fusion élevés et cinq soi-disant métaux nobles. Le premier comprenait le vanadium, le molybdène, le niobium, le tantalum et le tungstène. Ce dernier comprenait de l’or, du platine, du palladium et – dans cette étude – le copping et l’argent.

Dans chacun de ces deux systèmes, les chercheurs ont considéré trois compositions élémentaires. Par exemple: cuivre et platine; ou cuivre, platine et palladium; ou les cinq métaux nobles à la fois. Notamment, les cinq éléments composant chaque liste ont tendance à adopter la même structure cristalline. Cela simplifie les calculs, car l’alliage est également supposé avoir cette structure.

Les chercheurs ont appliqué leur algorithme de recherche à chacune des six compositions élémentaires: trois pour le noble et trois pour les métaux à point de montage élevé. L’algorithme vise à optimiser les valeurs connues sous le nom d’énergie et d’enthalpie de la formation. Ceux-ci indiquent quels alliages sont stables. Ceux qui ne sont pas spontanément transférés vers une autre configuration plus viable.

Pour avoir une idée de l’efficacité du nouvel algorithme, considérez qu’il a permis à l’équipe de découvrir 268 nouveaux alliages stables à une température zéro non répertoriée dans une base de données de pointe couramment utilisée dans l’industrie. Par exemple, dans le système Niobium-Molybdène-Tungsten, l’approche utilisant des potentiels d’apprentissage de la machine a produit 12 candidats en alliage, tandis que la base de données ne contenait aucun alliage à trois composantes de ces éléments.

Les propriétés des alliages nouvellement découvertes restent à vérifier et à établir plus en détail au moyen de simulations et d’expériences spécifiques pour déterminer lequel de ces matériaux est prometteur pour des applications pratiques.

« La modélisation informatique a déjà lancé les découvertes de nombreux alliages significatifs industriellement avec des applications allant des pièces de carrosserie des voitures aux réservoirs de stockage pour le carburant à fusée hydrogène liquide », explique Zinkovich.

Pendant ce temps, les créateurs du nouvel algorithme prévoient d’étendre leur approche pour englober les alliages d’autres compositions et avec d’autres structures cristallines.