Prédire les propriétés des matériaux avec peu de données

Des chercheurs de l’Indian Institute of Science (IISc), en collaboration avec University College London, ont mis au point des méthodes basées sur l’apprentissage automatique pour prédire les propriétés des matériaux, même en cas de données limitées. Cela pourrait favoriser la découverte de matériaux ayant des propriétés spécifiques, telles que les semi-conducteurs.

Ces dernières années, les ingénieurs en matériaux se sont tournés vers des modèles d’apprentissage automatique pour prédire quels types de matériaux peuvent posséder des propriétés spécifiques, comme les gaps électroniques, les énergies de formation et les propriétés mécaniques, afin de concevoir de nouveaux matériaux. Cependant, les données sur les propriétés des matériaux, nécessaires pour entraîner ces modèles, sont limitées, car tester des matériaux est coûteux et chronophage. Cela a poussé des chercheurs dirigés par Sai Gautam Gopalakrishnan, professeur assistant au Département d’ingénierie des matériaux de l’IISc, à travailler sur ce défi. Dans une nouvelle étude, ils ont trouvé une méthode efficace utilisant un modèle d’apprentissage automatique appelé apprentissage par transfert pour prédire les valeurs de propriétés spécifiques des matériaux.

Dans l’apprentissage par transfert, un grand modèle est pré-entraîné sur un vaste ensemble de données, puis affiné pour s’adapter à un plus petit ensemble de données cible. « Dans cette méthode, le modèle apprend d’abord à réaliser une tâche simple, comme la classification d’images en chats et non-chats, puis est entraîné pour une tâche spécifique, tel que classifier des images de tissus en ceux contenant des tumeurs et ceux n’en contenant pas pour le diagnostic du cancer », explique Gopalakrishnan.

Les modèles d’apprentissage automatique traitent les données d’entrée, comme une image, et génèrent des sorties, telles que l’identification des formes présentes dans l’image. La première couche du modèle reçoit l’entrée brute de l’image. Les couches suivantes extraient des caractéristiques de l’image, comme les contours, qui sont progressivement affinées. Les couches finales combinent ces caractéristiques pour reconnaître et classifier des caractéristiques de plus haut niveau, telles que les formes. Ces modèles peuvent être construits à l’aide de diverses architectures, telles que les Graph Neural Networks (GNNs), qui travaillent avec des données structurées en graphes, comme la structure cristalline tridimensionnelle de tout matériau. Dans les GNNs, l’information dans chaque couche est représentée sous forme de nœuds (atomes dans une structure) et les connexions entre les nœuds sont représentées sous forme de bords (liaisons entre atomes). Pour l’étude en cours, l’équipe de recherche a développé un modèle basé sur les GNN.

L’architecture du GNN, comme le nombre de couches et la manière dont elles sont connectées, détermine la capacité du modèle à apprendre et reconnaître des caractéristiques complexes dans les données. L’équipe a d’abord déterminé l’architecture optimale nécessaire au modèle et la taille des données d’entraînement requises pour prédire les propriétés des matériaux. Ils ont également pré-entraîné le modèle en n’ajustant que certaines couches tout en « gelant » les autres, explique Reshma Devi, première auteure et étudiante en doctorat au Département d’ingénierie des matériaux. À ce modèle optimisé et pré-entraîné, ils ont fourni des données sur les propriétés des matériaux, telles que la constante diélectrique et l’énergie de formation, comme entrée, afin que le modèle puisse prédire les valeurs de propriétés spécifiques des matériaux, comme le coefficient piézoélectrique.

L’équipe a constaté que leur modèle basé sur l’apprentissage par transfert, qui a été pré-entraîné puis affiné, a obtenu bien de meilleurs résultats que les modèles entraînés depuis le début. Ils ont également utilisé un cadre appelé Pré-entrainement multi-propriétés (MPT) dans lequel ils ont pré-entraîné simultanément leur modèle sur sept propriétés volumineuses 3D différentes. Fait remarquable, ce modèle a également pu prédire la valeur du gap énergétique pour des matériaux 2D sur lesquels il n’avait pas été entraîné.

L’équipe utilise maintenant ce modèle pour prédire la rapidité avec laquelle les ions peuvent se déplacer à l’intérieur des électrodes d’une batterie, ce qui pourrait contribuer à la création de dispositifs de stockage d’énergie plus performants. « Il peut également être utilisé pour fabriquer de meilleurs semi-conducteurs en prédisant leur tendance à former des défauts ponctuels, ce qui peut soutenir l’initiative de l’Inde en matière de fabrication de semi-conducteurs », ajoute Gopalakrishnan.