Pour la découverte du verre, l'apprentissage automatique a besoin d'une aide humaine

Pour la découverte du verre, l’apprentissage automatique a besoin d’une aide humaine

Résumé graphique. Crédit: Acta Materialia (2022). DOI : 10.1016/j.actamat.2022.118497

L’apprentissage automatique (ML) a été utilisé avec un succès impressionnant dans de nombreux domaines : reconnaissance faciale, reconnaissance vocale, comportement du consommateur et découverte de médicaments. Un domaine où il n’a eu qu’un succès limité, cependant, est celui d’outil de développement du verre métallique en vrac.

Une équipe de chercheurs dirigée par le professeur Jan Schroers a entrepris de comprendre pourquoi il en est ainsi et comment ils peuvent créer des modèles ML qui font de meilleures prédictions de formation de verre. Leurs résultats sont publiés dans Acta Materialia.

Les verres métalliques promettent un large éventail d’applications, car ils ont la résistance des meilleurs métaux, mais la souplesse du plastique. Cependant, trouver les bons éléments pour fabriquer des verres métalliques s’est avéré une tâche fastidieuse. Les verres métalliques doivent leurs propriétés à leurs structures atomiques uniques : lorsque les verres métalliques se refroidissent d’un liquide à un solide, leurs atomes se déposent dans un arrangement aléatoire et ne cristallisent pas comme le font les métaux traditionnels. Mais la capacité de formation du verre (GFA) – c’est-à-dire la facilité avec laquelle un métal ou un alliage peut être transformé en verre – est complexe et mal comprise.

Certains types de découverte de matériaux impliquent relativement peu d’atomes, et les modèles ML ont révélé de nombreux exemples de prédictions précises à faible coût, et ont en outre conduit à la découverte de matériaux à des compositions chimiques non conventionnelles à une vitesse accélérée.

Cependant, prédire la capacité de formation de verre d’un alliage est un problème beaucoup plus complexe. Malgré les espoirs que le ML pourrait être utile pour résoudre des problèmes aussi complexes, il a jusqu’à présent obtenu des résultats nettement inférieurs à ceux des modèles basés sur l’apprentissage humain.

Pour tester son efficacité, les chercheurs ont tenté de prédire la formation de verre métallique en vrac à l’aide de ML. Plus précisément, ils ont utilisé un modèle ML récemment développé basé sur 201 caractéristiques d’alliage construites à partir des combinaisons de 31 caractéristiques élémentaires. Ils ont comparé ses performances à un modèle développé par Guannan Liu, auteur principal de l’étude et titulaire d’un doctorat. étudiant dans le laboratoire de Schroers. Ce modèle n’utilisait que des caractéristiques non physiques. Étonnamment, ses résultats n’étaient pas moins précis que les modèles ML basés sur des caractéristiques physiques.

Ce qu’ils ont découvert, c’est qu’ils devaient inclure davantage d’informations physiques dans le modèle. Autrement dit, il ne suffit pas de simplement connaître les propriétés des matériaux impliqués, mais le modèle doit également inclure la façon dont ces propriétés sont liées les unes aux autres. Par exemple, l’inclusion d’informations telles que le rapport du plus petit au plus grand élément dans un alliage pourrait améliorer considérablement les résultats.

« Même si nous fournissons très peu d’informations physiques sur la construction du modèle d’apprentissage automatique, le résultat est considérablement meilleur », a déclaré Schroers, professeur de génie mécanique et de science des matériaux. « Il doit y avoir un peu d’apprentissage humain avec l’apprentissage automatique, sinon les prédictions de ML sont essentiellement inutiles. »

Les propriétés par elles-mêmes ne prêtent pas assez d’informations. Schroers la compare à l’analyse d’une œuvre littéraire.

« Si vous lisez Shakespeare et dites » Oh, il utilise beaucoup la lettre P et aussi la lettre S « , cela ne décrit pas Shakespeare », a-t-il déclaré. « Mais comment Shakespeare les a-t-il assemblés ? C’est la partie manquante. Même en sachant un peu comment il assemble les lettres, les prédictions sont beaucoup plus puissantes (pour identifier et imiter Shakespeare) que les lettres elles-mêmes. »

Liu a déclaré que pour s’appuyer sur leurs découvertes, les chercheurs souhaitaient former un modèle d’apprentissage automatique avec plus d’informations physiques.

Fourni par l’Université de Yale