Un cadre d’IA explicable révèle comment les combinaisons d’éléments augmentent la force et la durabilité des alliages
Dans les transacteurs du genou et les plaques osseuses, les composants des avions et les convertisseurs catalytiques, les métaux exceptionnellement forts connus sous le nom d’alliages d’éléments principaux (MPEA) sont sur le point de devenir encore plus forts grâce à l’intelligence artificielle.
Sanket Deshmukh, professeur agrégé en génie chimique, et son équipe ont conçu un nouveau MPEA avec des propriétés mécaniques supérieures en utilisant un cadre basé sur les données qui exploite la puissance de supercalcul de l’intelligence artificielle explicable (AI).
Leurs résultats sont publiés dans MATÉRIAUX DE COMPORTATION NPJ.
« Ce travail montre comment les cadres basés sur les données et l’IA explicables peuvent déverrouiller de nouvelles possibilités dans la conception des matériaux, » dit Deshmukh.
« En intégrant l’apprentissage automatique, les algorithmes évolutifs et la validation expérimentale, nous accélérons non seulement la découverte d’alliages métalliques avancés, mais aussi la création d’outils qui peuvent être étendus à des systèmes de matériaux complexes tels que les glycomatériaux – des matériaux polymères contenant des glucides. »
Synergie élémentaire, propriétés extraordinaires
Les MPEA sont utiles en raison de leurs propriétés mécaniques exceptionnelles et de leur polyvalence. Composés de trois éléments métalliques ou plus, ces alliages sont conçus pour offrir une excellente stabilité thermique, résistance, ténacité et résistance à la corrosion et à l’usure. Parce qu’ils peuvent résister à des conditions extrêmes pendant des périodes plus longues que les alliages traditionnels, ils sont idéaux pour les applications dans l’aérospatiale, les dispositifs médicaux et les technologies d’énergie renouvelable.
L’objectif principal de l’équipe était de développer un nouvel alliage avec une résistance mécanique supérieure par rapport au modèle actuel.
Traditionnellement, la conception de MPEA a impliqué des essais et des erreurs, qui est lent et coûteux. Mais Deshmukh et son équipe explorent les vastes possibilités de concevoir des MPEA en utilisant une IA explicable.
Une différence majeure entre l’IA standard et l’IA explicable est que les modèles d’IA traditionnels se comportent souvent comme « boîtes noires »- Ils génèrent des prédictions, mais nous ne comprenons pas toujours comment ni pourquoi ces prédictions sont faites. L’IA explicable aborde cette limitation en fournissant un aperçu du processus de prise de décision du modèle.
Dans son travail, l’équipe a utilisé une technique appelée SHAP (Shapley Additive Explications) Analysis pour interpréter les prédictions faites par son modèle d’IA. Cela a permis aux membres de l’équipe de comprendre comment différents éléments et leurs environnements locaux influencent les propriétés du MPEAS. En conséquence, ils ont acquis non seulement des prédictions précises, mais aussi des informations scientifiques précieuses.
L’IA peut rapidement prédire les propriétés des nouveaux MPEA en fonction de leur composition et optimiser la combinaison d’éléments pour des applications spécifiques. En utilisant de grands ensembles de données à partir d’expériences et de simulations, l’IA peut aider à expliquer les comportements mécaniques du MPEA, guidant la conception de nouveaux alliages avancés.
« Tirer parti de l’IA explicable accélère notre compréhension des comportements mécaniques des MPEA. Il pourrait transformer la conception traditionnelle des matériaux d’essai et d’erreur traditionnels en un processus plus prédictif et perspicace, » dit fangxi « Toby » Wang, associé postdoctoral en génie chimique et chercheur sur le projet.
« Notre flux de travail de conception, combinant l’apprentissage automatique avancé et les algorithmes évolutifs, fournit des informations interprétables sur les relations structure-propriété des matériaux, offrant une approche robuste pour la découverte de divers matériaux avancés. »
La collaboration entraîne des percées
Deshmukh s’est associé à des partenaires à travers les disciplines et les institutions sur la recherche: Tyrel McQueen, professeur de sciences et d’ingénierie des matériaux à l’Université Johns Hopkins, et Maren Roman, professeur de biomatériaux durables chez Virginia Tech et directeur de Glycomip, une plate-forme d’innovation des matériaux nationaux de la Science Foundation.
« Travailler sur un projet cette interdisciplinaire est un régal, » a déclaré Allana Iwanicki, un étudiant diplômé en science des matériaux et en génie de Johns Hopkins, qui a synthétisé et testé les alliages. « Ce travail plie deux champs: les biomatériaux informatiques et les matériaux inorganiques synthétiques. Il est excitant d’obtenir des résultats significatifs pour les deux groupes. »
Après avoir initialement concentré ces systèmes sans solvant, Deshmukh et son équipe ont déjà étendu ce cadre de calcul pour concevoir des matériaux plus complexes, tels que les nouveaux glycomatériaux, avec des applications potentielles dans un large éventail de produits, notamment des additifs alimentaires, des articles de soins personnels, des produits de santé et des matériaux d’emballage.
Ces progrès mettent non seulement la nature translationnelle de cette recherche, mais ouvrent également la voie à de futures percées en science matérielle et en biotechnologie.
« Notre collaboration interdisciplinaire dans deux plates-formes d’innovation des matériaux de la National Science Foundation nous permet non seulement de développer des outils et des plateformes transférables, mais souligne également comment les partenariats à l’intersection du calcul, de la synthèse et de la caractérisation peuvent entraîner des percées transformatrices dans les applications scientifiques fondamentales et du monde réel, » dit Deshmukh.
