Utiliser l’apprentissage automatique pour trouver un mélange optimal de métaux afin de créer l’alliage souhaité

Une grande équipe de chercheurs du Max-Planck-Institut für Eisenforschung GmbH, en collaboration avec des collègues de la Technische Universität Darmstadt, de l’Université de technologie de Delft et de l’Institut royal de technologie KTH, a découvert qu’il est possible d’utiliser l’apprentissage automatique pour aider les métallurgistes à trouver le mélange optimal de métaux pour créer un alliage désiré. Dans leur article publié dans la revue La science, le groupe décrit son processus en trois étapes et son efficacité lorsqu’il a été testé. Qing-Miao Hu et Rui Yang de l’Académie chinoise des sciences, Institut de recherche sur les métaux, ont publié un article Perspectives dans le même numéro de revue décrivant le travail effectué par l’équipe sur ce nouvel effort.

Les humains mélangent des métaux pour répondre à leurs besoins depuis des milliers d’années et, ce faisant, ont beaucoup appris sur la création d’alliages. Mais trouver le bon mélange a toujours impliqué un certain degré d’inspiration, de patience et de hasard. Ainsi, la plupart des alliages ont été créés en commençant par un métal principal, tel que le fer, et en ajoutant de petites quantités d’autres métaux pour voir quelles caractéristiques en résultaient.

Au cours des dernières décennies, les choses ont commencé à changer, cependant, certains chercheurs ont commencé à fabriquer des alliages contenant des parties égales de plusieurs métaux. Créer de tels alliages avec les caractéristiques souhaitées est, bien sûr, beaucoup plus difficile. Dans ce nouvel effort, les chercheurs ont appliqué l’apprentissage automatique pour faciliter le processus. Ils ont commencé par réduire l’espace de test à une seule application, en créant des alliages qui ne se dilatent pas et ne se contractent pas beaucoup lorsqu’ils sont exposés à des changements de température.

Pour créer une application d’apprentissage automatique, les chercheurs ont recherché et trouvé des caractéristiques de métaux pouvant être utilisées à des fins de comparaison, puis ont enseigné leur système à l’aide des informations contenues dans les bases de données actuellement disponibles. Ce faisant, ils ont développé un processus pour trouver un alliage qui conviendrait à un objectif souhaité.

Le processus de l’équipe a été réduit à trois étapes de base : premièrement, ils ont généré de nouveaux mélanges à l’aide de modèles basés sur les informations contenues dans la base de données décrivant les caractéristiques des métaux. Ensuite, ils ont utilisé un deuxième modèle pour aider à prédire les propriétés de certains alliages qu’ils ont créés en utilisant la première étape. La dernière étape consistait à étudier les alliages candidats produits par le système et à en choisir quelques-uns à tester dans le monde réel.

À l’aide de leur système, les chercheurs ont dérivé 1 000 candidats qui ont été réduits à seulement trois alliages. Ils ont ensuite créé les trois alliages en utilisant le mélange décrit par leur système et testé leurs propriétés physiques. L’équipe a ensuite formé le système sur des données dérivées des alliages réels et a répété l’ensemble du processus. En tout, ils l’ont exécuté sept fois et ont trouvé un alliage avec un coefficient thermique inférieur au record actuel.