3 Questions : Comment l’intelligence artificielle suralimente la science des matériaux

L’apprentissage machine et l’intelligence artificielle sont de plus en plus utilisés dans la recherche en science des matériaux. Par exemple, Juejun « JJ » Hu, professeur agrégé de science et d’ingénierie des matériaux au MIT, a mis au point un algorithme qui améliore la performance d’un spectromètre à puce, et Elsa A. Olivetti, professeur agrégé d’études énergétiques à Atlantic Richfield, a construit un système à intelligence artificielle qui explore les articles scientifiques pour en tirer des « recettes » de science des matériaux.
Ces professeurs et d’autres professeurs du MIT, ainsi que le conférencier principal Brian Storey, directeur de la conception et de la découverte accélérée des matériaux du Toyota Research Institute, discuteront des idées et des percées dans leur recherche à l’aide de l’apprentissage machine lors de la conférence annuelle du MIT Materials Research Laboratory. Symposium de la Journée des matériaux le mercredi 9 octobre à l’auditorium de Kresge.
Le professeur agrégé Hu a récemment expliqué ce qui a mené à sa percée dans le domaine du spectromètre et pourquoi il est optimiste quant au fait que l’apprentissage automatique et l’intelligence artificielle sont en train de devenir un outil quotidien dans la recherche sur les matériaux.
Q : Votre travail sur les spectromètres, en particulier, a fait appel à des techniques d’apprentissage machine. Comment la nouvelle approche modifie-t-elle le processus de découverte en science des matériaux ?
A : Fondamentalement, nous avons développé une nouvelle technologie de spectromètre qui nous permet de rétracter de gros composants sur une petite puce de silicium tout en conservant des performances élevées. Nous avons développé un algorithme qui nous permet d’extraire l’information avec un bien meilleur rapport signal/bruit. Nous avons validé l’algorithme pour différents types de spectre. L’algorithme identifie des couleurs de lumière distinctes en comparant deux mesures répétées pour atténuer l’impact des bruits de mesure. L’algorithme améliore la résolution de 100 % par rapport aux limites des manuels scolaires, appelées limites de Rayleigh.
Q : Comment utilisez-vous l’apprentissage machine pour identifier de nouveaux matériaux et conceptions optiques pour votre travail sur les lentilles infrarouges moyennes composées de réseaux d’antennes optiques ?
A : Nous collaborons avec un groupe de l’UMass [Université du Massachusetts] pour développer un algorithme d’apprentissage profond pour la conception de « métasurfaces », qui sont une sorte de dispositif optique où au lieu d’utiliser une courbure géométrique conventionnelle pour construire, disons, une lentille, vous utilisez un réseau d’antennes optiques spécialement conçues pour transmettre un retard de phase sur la lumière entrante, et donc nous pouvons réaliser toutes sortes de fonctionnalités. Un gros problème avec les métasurfaces, c’est qu’habituellement, lorsque les gens concevaient ces métasurfaces, ils le faisaient essentiellement par essais et erreurs.
Nous avons mis en place un algorithme d’apprentissage profond. L’algorithme nous permet de l’entraîner avec des données existantes. Au fur et à mesure que nous l’entraînons, l’algorithme finit par devenir « intelligent ». L’algorithme peut évaluer la maniabilité de formes irrégulières qui vont au-delà des formes conventionnelles comme les cercles et les rectangles. Il peut reconnaître les connexions cachées entre les géométries complexes et la réponse électromagnétique, qui n’est généralement pas triviale, et il peut trouver ces relations cachées plus rapidement que les simulations classiques à grande échelle. L’algorithme peut également éliminer les combinaisons potentielles de matériaux et de fonctions qui ne fonctionneront tout simplement pas. Si vous utilisez des méthodes conventionnelles, vous devez perdre beaucoup de temps pour épuiser tout l’espace de conception possible et arriver à cette conclusion, mais maintenant notre algorithme peut vous le dire très rapidement.
Q : Quelles autres avancées facilitent l’utilisation de l’apprentissage machine en science des matériaux ?
A : L’autre chose que nous constatons, c’est que nous avons maintenant beaucoup plus facilement accès à des installations de calcul très puissantes, basées sur le cloud computing, qui sont disponibles sur le marché. C’est donc cette combinaison de matériel, de facilité d’accès, de ressources informatiques très puissantes et de nouveaux algorithmes qui nous permettent de faire de nouvelles innovations. Encore une fois, par exemple, avec les métasurfaces, si vous regardez de vieux dessins, les gens utilisaient à peu près des géométries régulières comme les cercles, les carrés, les rectangles, mais nous, ainsi que beaucoup d’autres dans la communauté, sommes tous en train de passer à des dispositifs optiques topologiquement optimisés. Et pour concevoir ces structures, la combinaison de nouveaux algorithmes et de puissantes ressources informatiques est la clé de la conception de dispositifs gigantesques tels que des optiques macroscopiques, topologiquement optimisées dans l’espace tridimensionnel.