L’équipe a réussi à trouver ces nouveaux métaux grâce à une combinaison d’expériences d’IA et de laboratoire. Tout d’abord, ils ont dû surmonter un défi de taille : un manque de données existantes qu’ils pourraient utiliser pour previous les modèles d’apprentissage automatique. Ils ont formé les modèles sur les données dont ils disposaient – plusieurs centaines de points de données décrivant les propriétés des alliages métalliques existants. Le système d’IA a utilisé ces données pour faire des prédictions sur les nouveaux métaux qui présenteraient un faible invar.
Les chercheurs ont ensuite créé ces métaux dans un laboratoire, mesuré les résultats et réinjecté ces résultats dans le modèle d’apprentissage automatique. Le processus s’est poursuivi ainsi – le modèle suggérant des combinaisons de métaux, les chercheurs les testant et renvoyant les données – jusqu’à l’émergence des 17 nouveaux métaux prometteurs.
Les résultats pourraient aider à ouvrir la voie à une plus grande utilisation de l’apprentissage automatique en science des matériaux, un domaine qui repose encore fortement sur l’expérimentation en laboratoire. En outre, la strategy d’utilisation de l’apprentissage automatique pour faire des prédictions qui sont ensuite vérifiées en laboratoire pourrait être adaptée pour la découverte dans d’autres domaines, tels que la chimie et la physique, disent des gurus en science des matériaux.
Pour comprendre pourquoi il s’agit d’un développement essential, il vaut la peine d’examiner la manière traditionnelle dont les nouveaux composés sont généralement créés, explique Michael Titus, professeur adjoint d’ingénierie des matériaux à l’Université Purdue, qui n’a pas participé à la recherche. Le processus de bricolage dans le laboratoire est laborieux et inefficace.
« C’est vraiment comme chercher une aiguille dans une botte de foin pour trouver des matériaux qui présentent une propriété spéciale », dit Titus. Il dit souvent à ses nouveaux étudiants diplômés qu’il y a facilement un million de nouveaux matériaux possibles qui attendent d’être découverts. L’apprentissage automatique pourrait aider les chercheurs à décider des voies à suivre.