Améliorer l'apprentissage automatique pour la conception de matériaux

TSUKUBA, Japon, 30 septembre 2021 – (ACN Newswire) – Une nouvelle approche peut entraîner un modèle d'apprentissage automatique pour prédire les propriétés d'un matériau en utilisant uniquement des données obtenues par des mesures simples, économisant ainsi du temps et de l'argent par rapport à celles actuellement utilisées. Il a été conçu par des chercheurs de l’Institut national japonais pour la science des matériaux (NIMS), Asahi KASEI Corporation, Mitsubishi Chemical Corporation, Mitsui Chemicals et Sumitomo Chemical Co et a été publié dans la revue Science and Technology of Advanced Materials : Methods.

La nouvelle approche peut prédire des données expérimentales difficiles à mesurer, telles que le module de traction, à l'aide de données expérimentales faciles à mesurer, telles que la diffraction des rayons X. Cela permet en outre de concevoir de nouveaux matériaux ou de réutiliser ceux déjà connus.

"L'apprentissage automatique est un outil puissant pour prédire la composition des éléments et le processus nécessaire à la fabrication d'un matériau doté de propriétés spécifiques", explique Ryo Tamura, chercheur principal au NIMS spécialisé dans le domaine de l'informatique des matériaux.

Une énorme quantité de données est généralement nécessaire pour entraîner des modèles d’apprentissage automatique à cette fin. Deux types de données sont utilisées. Les descripteurs contrôlables sont des données qui peuvent être choisies sans fabriquer de matériau, comme les éléments chimiques et les processus utilisés pour le synthétiser. Mais des descripteurs incontrôlables, comme les données de diffraction des rayons X, ne peuvent être obtenus qu’en fabriquant le matériau et en y menant des expériences.

«Nous avons développé une méthode de conception expérimentale efficace pour prédire avec plus de précision les propriétés des matériaux à l'aide de descripteurs qui ne peuvent pas être contrôlés», explique Tamura.

L’approche implique l’examen d’un ensemble de données de descripteurs contrôlables pour choisir le meilleur matériau avec les propriétés cibles à utiliser pour améliorer la précision du modèle. Dans ce cas, les scientifiques ont interrogé une base de données de 75 types de polypropylènes pour sélectionner un candidat doté de propriétés mécaniques spécifiques.

Ils ont ensuite sélectionné le matériau et extrait certains de ses descripteurs incontrôlables, par exemple ses données de diffraction des rayons X et ses propriétés mécaniques.

Ces données ont été ajoutées à l’ensemble de données actuel pour mieux entraîner un modèle d’apprentissage automatique utilisant des algorithmes spéciaux pour prédire les propriétés d’un matériau en utilisant uniquement des descripteurs incontrôlables.

"Notre conception expérimentale peut être utilisée pour prédire des données expérimentales difficiles à mesurer à l'aide de données faciles à mesurer, accélérant ainsi notre capacité à concevoir de nouveaux matériaux ou à réutiliser des matériaux déjà connus, tout en réduisant les coûts", explique Tamura. La méthode de prédiction peut également aider à mieux comprendre comment la structure d’un matériau affecte des propriétés spécifiques.

L’équipe travaille actuellement à optimiser davantage son approche en collaboration avec des fabricants de produits chimiques au Japon.

Pour en savoir plus
Ryō Tamura
Institut national des sciences des matériaux (NIMS)
Courriel : tamura.ryo@nims.go.jp

À propos de la science et de la technologie des matériaux avancés : méthodes (méthodes STAM)

STAM Methods est une revue sœur en accès libre de la science et de la technologie des matériaux avancés (STAM) et se concentre sur les méthodes et outils émergents pour améliorer et/ou accélérer les développements de matériaux, tels que la méthodologie, les appareils, l'instrumentation, la modélisation, les données à haut débit. collection, matériel/informatique de processus, bases de données et programmation. https://www.tandfonline.com/STAM-M

Dr Yoshikazu Shinohara
Directeur de la publication Méthodes STAM
Courriel : SHINOHARA.Yoshikazu@nims.go.jp

Communiqué de presse diffusé par Asia Research News pour la science et la technologie des matériaux avancés.

Sujet: Résumé du communiqué de presse
La source: Science et technologie des matériaux avancés
Secteurs: Sciences et nanotechnologies
https://www.acnnewswire.com

Depuis le Asia Corporate News Network

Copyright © 2021 ACN Newswire. Tous les droits sont réservés. Une division de Asia Corporate News Network.

Source : https://www.acnnewswire.com/press-release/english/69945/