L’algorithme CAMEO identifie un nouveau composé potentiellement utile pour les appareils photoniques et les ordinateurs d’inspiration biologique –

  • FrançaisFrançais



  • Lorsque les mots «intelligence artificielle» (IA) vous viennent à l’esprit, vos premières pensées peuvent être des ordinateurs super intelligents ou des robots qui effectuent des tâches sans avoir besoin de l’aide des humains. Maintenant, une équipe multi-institutionnelle comprenant des chercheurs de l’Institut national des normes et de la technologie (NIST) a accompli quelque chose pas trop loin: ils ont développé un algorithme d’IA appelé CAMEO qui a découvert un nouveau matériau potentiellement utile sans nécessiter de formation supplémentaire de la part des scientifiques. Le système d’IA pourrait aider à réduire le temps d’essais et d’erreurs que les scientifiques passent en laboratoire, tout en maximisant la productivité et l’efficacité de leurs recherches.

    L’équipe de recherche a publié ses travaux sur CAMEO dans Communications de la nature.

    Dans le domaine de la science des matériaux, les scientifiques cherchent à découvrir de nouveaux matériaux pouvant être utilisés dans des applications spécifiques, comme un “métal léger mais aussi solide pour la construction d’une voiture, ou un métal capable de supporter des contraintes et des températures élevées pour un moteur à réaction, », a déclaré le chercheur du NIST Aaron Gilad Kusne.

    Mais trouver de tels nouveaux matériaux nécessite généralement un grand nombre d’expériences coordonnées et de longues recherches théoriques. Si un chercheur s’intéresse à la manière dont les propriétés d’un matériau varient avec différentes températures, il devra peut-être effectuer 10 expériences à 10 températures différentes. Mais la température n’est qu’un paramètre. S’il y a cinq paramètres, chacun avec 10 valeurs, alors ce chercheur doit exécuter l’expérience 10 x 10 x 10 x 10 x 10 fois, soit un total de 100 000 expériences. Il est presque impossible pour un chercheur de mener autant d’expériences en raison des années ou des décennies que cela peut prendre, a déclaré Kusne.

    C’est là qu’intervient CAMEO. Abréviation de Système autonome en boucle fermée pour l’exploration et l’optimisation des matériaux, CAMEO peut s’assurer que chaque expérience maximise les connaissances et la compréhension du scientifique, en ignorant les expériences qui donneraient des informations redondantes. Aider les scientifiques à atteindre leurs objectifs plus rapidement avec moins d’expériences permet également aux laboratoires d’utiliser plus efficacement leurs ressources limitées. Mais comment CAMEO peut-il faire cela?

    La méthode derrière la machine

    L’apprentissage automatique est un processus dans lequel les programmes informatiques peuvent accéder aux données et les traiter eux-mêmes, s’améliorant automatiquement d’eux-mêmes au lieu de s’appuyer sur une formation répétée. C’est la base de CAMEO, une IA auto-apprenante qui utilise la prédiction et l’incertitude pour déterminer quelle expérience essayer ensuite.

    Comme son nom l’indique, CAMEO recherche un nouveau matériau utile en opérant en boucle fermée: il détermine quelle expérience exécuter sur un matériau, effectue l’expérience et collecte les données. Il peut également demander plus d’informations, telles que la structure cristalline du matériau souhaité, au scientifique avant de lancer l’expérience suivante, qui est informée par toutes les expériences passées effectuées dans la boucle.

    «La clé de notre expérience a été que nous avons pu libérer CAMEO sur une bibliothèque combinatoire où nous avions fabriqué une large gamme de matériaux avec toutes les compositions différentes», a déclaré Ichiro Takeuchi, chercheur en science et ingénierie des matériaux et professeur à l’Université du Maryland . Dans une étude combinatoire habituelle, chaque matériau du réseau serait mesuré séquentiellement pour rechercher le composé ayant les meilleures propriétés. Même avec une configuration de mesure rapide, cela prend beaucoup de temps. Avec CAMEO, il n’a fallu qu’une petite fraction du nombre habituel de mesures pour trouver le meilleur matériau.

    L’IA est également conçue pour contenir la connaissance des principes clés, y compris la connaissance des simulations et des expériences de laboratoire passées, du fonctionnement de l’équipement et des concepts physiques. Par exemple, les chercheurs ont armé CAMEO de connaissances en cartographie de phase, qui décrit comment la disposition des atomes dans un matériau change avec la composition chimique et la température.

    Il est important de comprendre comment les atomes sont disposés dans un matériau pour déterminer ses propriétés, telles que sa dureté ou son isolation électrique, et sa capacité à s’adapter à une application spécifique.

    “L’IA n’est pas supervisée. De nombreux types d’IA doivent être formés ou supervisés. Au lieu de lui demander d’apprendre les lois physiques, nous les encodons dans l’IA. Vous n’avez pas besoin d’un humain pour entraîner l’IA”, a déclaré Kusne.

    L’un des meilleurs moyens de comprendre la structure d’un matériau est de le bombarder de rayons X, dans une technique appelée diffraction des rayons X. En identifiant les angles auxquels les rayons X rebondissent, les scientifiques peuvent déterminer comment les atomes sont disposés dans un matériau, ce qui leur permet de comprendre sa structure cristalline. Cependant, une seule expérience de diffraction des rayons X en interne peut prendre une heure ou plus. Dans une installation synchrotron où une grosse machine de la taille d’un terrain de football accélère des particules chargées électriquement à une vitesse proche de la vitesse de la lumière, ce processus peut prendre 10 secondes car les particules en mouvement rapide émettent un grand nombre de rayons X. C’est la méthode utilisée dans les expériences, qui ont été effectuées au Stanford Synchrotron Radiation Lightsource (SSRL).

    L’algorithme est installé sur un ordinateur qui se connecte à l’équipement de diffraction des rayons X sur un réseau de données. CAMEO décide de la composition du matériau à étudier ensuite en choisissant le matériau sur lequel les rayons X se concentrent pour étudier sa structure atomique. À chaque nouvelle itération, CAMEO apprend des mesures passées et identifie le prochain matériau à étudier. Cela permet à l’IA d’explorer comment la composition d’un matériau affecte sa structure et d’identifier le meilleur matériau pour la tâche.

    “Considérez ce processus comme une tentative de faire le gâteau parfait”, a déclaré Kusne. “Vous mélangez différents types d’ingrédients, de la farine, des œufs ou du beurre, en utilisant une variété de recettes pour faire le meilleur gâteau.” Avec l’IA, il cherche à travers les «recettes» ou les expériences pour déterminer la meilleure composition pour le matériau.

    C’est par cette approche que CAMEO a découvert le matériau? Ge? _4? Sb? _6? Te? _ (7,) que le groupe a raccourci en GST467. CAMEO a reçu 177 matériaux potentiels à étudier, couvrant un large éventail de recettes de composition. Pour arriver à ce matériau, CAMEO a effectué 19 cycles expérimentaux différents, qui ont duré 10 heures, contre 90 heures estimées qu’il aurait fallu à un scientifique avec l’ensemble complet de 177 matériaux.

    Le nouveau matériau

    Le matériau est composé de trois éléments différents (germanium, antimoine et tellure, Ge-Sb-Te) et est un matériau à mémoire à changement de phase, c’est-à-dire qu’il change sa structure atomique de cristalline (matériau solide avec des atomes dans des positions désignées et régulières ) à amorphe (matériau solide avec des atomes dans des positions aléatoires) lorsqu’il est rapidement fondu par application de chaleur. Ce type de matériel est utilisé dans les applications de mémoire électronique telles que le stockage de données. Bien qu’il existe des variations de composition infinies dans le système d’alliage Ge-Sb-Te, le nouveau matériau GST467 découvert par CAMEO est optimal pour les applications à changement de phase.

    Les chercheurs voulaient que CAMEO trouve le meilleur alliage Ge-Sb-Te, celui qui présentait la plus grande différence de «contraste optique» entre les états cristallin et amorphe. Sur un disque DVD ou Blu-ray, par exemple, le contraste optique permet à un laser à balayage de lire le disque en distinguant les régions qui ont une réflectivité élevée ou faible. Ils ont constaté que le GST467 a deux fois le contraste optique de “Ge” _2? Sb? _2? Te? _5, un matériau bien connu qui est couramment utilisé pour les DVD. Le contraste plus important permet au nouveau matériau de surpasser de manière significative l’ancien matériau.

    GST467 a également des applications pour les dispositifs de commutation photoniques, qui contrôlent la direction de la lumière dans un circuit. Ils peuvent également être appliqués à l’informatique neuromorphique, un domaine d’étude axé sur le développement de dispositifs qui émulent la structure et la fonction des neurones dans le cerveau, ouvrant des possibilités pour de nouveaux types d’ordinateurs ainsi que d’autres applications telles que l’extraction de données utiles à partir d’images complexes.

    Applications plus larges de CAMEO

    Les chercheurs pensent que CAMEO peut être utilisé pour de nombreuses autres applications de matériaux. Le code de CAMEO est open source et sera disponible gratuitement pour utilisation par les scientifiques et les chercheurs. Et contrairement aux approches similaires d’apprentissage automatique, CAMEO a découvert un nouveau composé utile en se concentrant sur la relation composition-structure-propriété des matériaux cristallins. De cette manière, l’algorithme a parcouru le cours de la découverte en traçant les origines structurelles des fonctions d’un matériau.

    L’un des avantages de CAMEO est de minimiser les coûts, car proposer, planifier et exécuter des expériences dans des installations de synchrotron nécessite du temps et de l’argent. Les chercheurs estiment une réduction de dix fois du temps pour les expériences utilisant CAMEO, puisque le nombre d’expériences réalisées peut être réduit d’un dixième. Étant donné que l’IA exécute les mesures, collecte des données et effectue l’analyse, cela réduit également la quantité de connaissances dont un chercheur a besoin pour mener l’expérience. Tout ce sur quoi le chercheur doit se concentrer est l’exécution de l’IA.

    Un autre avantage est de permettre aux scientifiques de travailler à distance. «Cela ouvre une vague de scientifiques pour continuer à travailler et à être productifs sans être réellement dans le laboratoire», a déclaré Apurva Mehta, chercheur au SLAC National Accelerator Laboratory. Cela pourrait signifier que si les scientifiques voulaient travailler sur des recherches impliquant des maladies contagieuses ou des virus, tels que COVID-19, ils pourraient le faire en toute sécurité et à distance tout en s’appuyant sur l’IA pour mener les expériences en laboratoire.

    Pour l’instant, les chercheurs continueront d’améliorer l’IA et tenteront de rendre les algorithmes capables de résoudre des problèmes toujours plus complexes. “CAMEO a l’intelligence d’un robot scientifique et il est conçu pour concevoir, exécuter et apprendre des expériences de manière très efficace”, a déclaré Kusne.

    Le SSRL où les expériences ont eu lieu fait partie du SLAC National Accelerator Laboratory, géré par l’Université de Stanford pour le US Department of Energy Office of Science. Les chercheurs du SLAC ont aidé à superviser les expériences menées par CAMEO.

    Des chercheurs de l’Université du Maryland ont fourni les matériaux utilisés dans les expériences, et des chercheurs de l’Université de Washington ont démontré le nouveau matériau dans un dispositif de mémoire à changement de phase.

    N'oubliez pas de voter pour cet article !
    1 Star2 Stars3 Stars4 Stars5 Stars (No Ratings Yet)
    Loading...

    Laisser un commentaire

    Votre adresse e-mail ne sera pas publiée.