Une nouvelle stratégie accélère l’évolution des structures microscopiques – Technoguide

Les structures microscopiques et les propriétés des matériaux sont intimement liées et leur personnalisation est un défi. Les ingénieurs de l’Université Rice sont déterminés à simplifier le processus grâce à l’apprentissage automatique.

À cette fin, le laboratoire Rice du scientifique des matériaux Ming Tang, en collaboration avec le physicien Fei Zhou du Lawrence Livermore National Laboratory, a introduit une technique pour prédire l’évolution des microstructures – caractéristiques structurelles entre 10 nanomètres et 100 microns – dans les matériaux.

Leur article en libre accès dans le journal Cell Press Patterns montre comment les réseaux de neurones (modèles informatiques qui imitent les neurones du cerveau) peuvent s’entraîner à prédire comment une structure se développera dans un certain environnement, un peu comme un flocon de neige se forme à partir de l’humidité dans la nature.

En fait, les structures cristallines dendritiques en forme de flocon de neige étaient l’un des exemples que le laboratoire a utilisés dans son étude de validation de principe.

“Dans la science moderne des matériaux, il est largement admis que la microstructure joue souvent un rôle essentiel dans le contrôle des propriétés d’un matériau”, a déclaré Tang. «Vous ne voulez pas seulement contrôler la façon dont les atomes sont disposés sur des treillis, mais aussi à quoi ressemble la microstructure, pour vous offrir de bonnes performances et même de nouvelles fonctionnalités.

“Le Saint Graal de la conception de matériaux est de pouvoir prédire comment une microstructure changera dans des conditions données, que nous la chauffions ou appliquions une contrainte ou un autre type de stimulation”, a-t-il déclaré.

Tang a travaillé pour affiner la prédiction de la microstructure pendant toute sa carrière, mais a déclaré que l’approche traditionnelle basée sur les équations faisait face à des défis importants pour permettre aux scientifiques de répondre à la demande de nouveaux matériaux.

“Les énormes progrès de l’apprentissage automatique ont encouragé Fei de Lawrence Livermore et nous à voir si nous pouvions l’appliquer aux matériaux”, a-t-il déclaré.

Heureusement, il y avait beaucoup de données de la méthode traditionnelle pour aider à former les réseaux de neurones de l’équipe, qui visualisent l’évolution précoce des microstructures pour prédire la prochaine étape, et la suivante, et ainsi de suite.

“C’est ce pour quoi la machinerie est douée, voir la corrélation d’une manière très complexe que l’esprit humain n’est pas capable de faire”, a déclaré Tang. “Nous en profitons.”

Les chercheurs ont testé leurs réseaux de neurones sur quatre types distincts de microstructure: la propagation des ondes planes, la croissance des grains, la décomposition spinodale et la croissance des cristaux dendritiques.

Dans chaque test, les réseaux ont été alimentés entre 1 000 et 2 000 ensembles de 20 images successives illustrant l’évolution de la microstructure d’un matériau telle que prédite par les équations. Après avoir appris les règles d’évolution à partir de ces données, le réseau a ensuite reçu de 1 à 10 images pour prédire les 50 à 200 images suivantes, et le faisait généralement en quelques secondes.

Les avantages de la nouvelle technique sont rapidement devenus évidents: les réseaux de neurones, alimentés par des processeurs graphiques, accéléraient les calculs jusqu’à 718 fois pour la croissance des grains, par rapport à l’algorithme précédent. Lorsqu’ils étaient exécutés sur un processeur central standard, ils étaient encore 87 fois plus rapides que l’ancienne méthode. La prédiction d’autres types d’évolution de la microstructure a montré des augmentations de vitesse similaires, mais pas aussi spectaculaires.

Des comparaisons avec des images de la méthode de simulation traditionnelle ont prouvé que les prédictions étaient en grande partie justifiées, a déclaré Tang. “Sur cette base, nous voyons comment nous pouvons mettre à jour les paramètres pour rendre la prédiction de plus en plus précise”, a-t-il déclaré. «Ensuite, nous pouvons utiliser ces prévisions pour aider à concevoir des matériaux que nous n’avons jamais vus auparavant.

“Un autre avantage est qu’il est capable de faire des prédictions même lorsque nous ne savons pas tout sur les propriétés des matériaux dans un système”, a déclaré Tang. “Nous ne pouvions pas faire cela avec la méthode basée sur les équations, qui a besoin de connaître toutes les valeurs de paramètres dans les équations pour effectuer des simulations.”

Tang a déclaré que l’efficacité de calcul des réseaux de neurones pourrait accélérer le développement de nouveaux matériaux. Il s’attend à ce que cela soit utile dans la conception en cours de son laboratoire de batteries plus efficaces. «Nous réfléchissons à de nouvelles structures tridimensionnelles qui aideront à charger et à décharger les batteries beaucoup plus rapidement que ce que nous avons actuellement», a déclaré Tang. “C’est un problème d’optimisation qui convient parfaitement à notre nouvelle approche.”

.

A propos Technoguide

Voir aussi

Comment une histoire Instagram plante les téléphones iPhone et Android dans le monde entier

Les smartphones suivent des formats et des directives spécifiques que les développeurs doivent prendre en …

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Défiler vers le haut