L’IA prédit les propriétés des métamatériaux complexes
Deux métamatériaux mécaniques combinatoires conçus de manière à ce que les lettres M et L se gonflent à l’avant lorsqu’elles sont pressées entre deux plaques (haut et bas). La conception de nouveaux métamatériaux comme celui-ci est facilitée par l’IA. Image : Daan Haver et Yao Du. Crédit : UVA
Étant donné un morceau d’origami 3D, pouvez-vous l’aplatir sans l’endommager ? Rien qu’en regardant la conception, la réponse est difficile à prédire, car chaque pli de la conception doit être compatible avec l’aplatissement.
Ceci est un exemple de problème combinatoire. De nouvelles recherches menées par l’UvA Institute of Physics et l’institut de recherche AMOLF ont démontré que les algorithmes d’apprentissage automatique peuvent répondre avec précision et efficacité à ce genre de questions. Cela devrait donner un coup de pouce à la conception assistée par intelligence artificielle de (méta)matériaux complexes et fonctionnels.
Dans leur dernier ouvrage, publié en Lettres d’examen physique cette semaine, l’équipe de recherche a testé dans quelle mesure l’intelligence artificielle (IA) peut prédire les propriétés des métamatériaux mécaniques dits combinatoires.
Matériaux artificiels
Ce sont des matériaux techniques dont les propriétés sont déterminées par leur structure géométrique plutôt que par leur composition chimique. Un morceau d’origami est aussi un type de métamatériau, dont la capacité à s’aplatir (une propriété physiquement bien définie) est déterminée par la façon dont il est plié (sa structure), plutôt que par le type de papier dont il est fait.
Plus généralement, la conception intelligente nous permet de contrôler précisément où et comment un métamatériau se pliera, se déformera ou se renflera, ce qui peut être utilisé pour toutes sortes de choses, des amortisseurs au déploiement de panneaux solaires sur un satellite dans l’espace.
Un métamatériau combinatoire typique étudié en laboratoire est constitué de deux ou plusieurs types ou orientations de blocs de construction, qui se déforment de manière distincte lorsqu’une force mécanique est appliquée. Si ces blocs de construction sont combinés de manière aléatoire, le matériau dans son ensemble ne se déformera généralement pas sous la pression car tous les blocs ne pourront pas se déformer comme ils le souhaitent ; ils vont se coincer.
Là où un bloc de construction souhaite se gonfler vers l’extérieur, son voisin devrait pouvoir s’écraser vers l’intérieur. Pour que le métamatériau se déforme facilement, tous les blocs de construction déformés doivent s’emboîter comme un puzzle. Tout comme changer un seul pli peut rendre un morceau d’origami inaplatis, changer un seul bloc peut rendre un métamatériau » disquette » rigide.
Difficile à prévoir
Alors que les métamatériaux ont de nombreuses applications potentielles, en concevoir un nouveau est un défi. En partant d’un ensemble particulier de blocs de construction, déduire les propriétés globales du métamatériau pour différentes structures se résume souvent à des essais et des erreurs. De nos jours, nous ne voulons pas tout faire à la main. Cependant, étant donné que les propriétés des métamatériaux combinatoires sont si sensibles aux modifications des blocs de construction individuels, les méthodes statistiques et numériques conventionnelles sont lentes et sujettes aux erreurs.
Au lieu de cela, les chercheurs ont découvert que l’apprentissage automatique pourrait être la réponse : même lorsqu’ils ne disposent que d’un ensemble relativement restreint d’exemples à partir desquels tirer des enseignements, les réseaux de neurones dits convolutifs sont capables de prédire avec précision les propriétés métamatérielles de toute configuration de blocs de construction jusqu’au détail le plus fin.
« Cela a largement dépassé nos attentes », déclare Ph.D. étudiant et premier auteur Ryan van Mastrigt. « La précision des prédictions nous montre que les réseaux de neurones ont en fait appris les règles mathématiques sous-jacentes aux propriétés des métamatériaux, même lorsque nous ne connaissons pas nous-mêmes toutes les règles. »
Cette découverte suggère que nous pouvons utiliser l’IA pour concevoir de nouveaux métamatériaux complexes aux propriétés utiles. Plus largement, l’application des réseaux de neurones à des problèmes combinatoires permet de poser de nombreuses questions passionnantes. Peut-être peuvent-ils nous aider à résoudre des problèmes (combinatoires) dans d’autres contextes. Et inversement, les résultats peuvent améliorer notre compréhension des réseaux de neurones eux-mêmes, en démontrant par exemple comment la complexité d’un réseau de neurones est liée à la complexité des problèmes qu’il peut résoudre.
