Les conversations de la journée des matériaux examinent les promesses et les défis de l'IA et de l'apprentissage automatique
Les promesses et les défis de l’intelligence artificielle et de l’apprentissage automatique ont été soulignés lors du Symposium de la Journée des matériaux du MIT, le 9 octobre, avec des présentations sur les nouvelles façons de former des composés de zéolite, une synthèse plus rapide des médicaments, des dispositifs optiques avancés, etc.
"L'apprentissage automatique a un impact sur tous les domaines de la recherche sur les matériaux", a déclaré le directeur du Laboratoire de recherche sur les matériaux, Carl V. Thompson.
"Nous sommes de plus en plus capables de travailler avec des machines pour nous aider à choisir les matériaux à fabriquer", a-t-il déclaré. Elsa A. Olivetti, Professeur associé Atlantic Richfield en études sur l’énergie. L'apprentissage automatique explique également comment fabriquer ces matériaux avec de nouvelles connaissances sur les méthodes de synthèse et, dans certains cas (comme avec les systèmes robotiques), pour fabriquer ces matériaux, a-t-il noté.
Le conférencier principal, Brian Storey, directeur de la conception et de la découverte de matériaux accélérés au Toyota Research Institute, a parlé de l'apprentissage machine pour faire avancer le passage du moteur à combustion interne aux véhicules électriques, et le professeur Ju Li, professeur de sciences e Génie nucléaire de Battelle Energy Alliance et professeur de science des matériaux et d’ingénierie, a parlé de l’ingénierie atomique utilisant la déformation élastique et la poussée de radiation d’atomes.
Matériaux poreux
Olivetti et Rafael Gomez-Bombarelli, Professeur adjoint en traitement des matériaux, a travaillé ensemble à l’apprentissage automatique afin de mieux comprendre les matériaux poreux appelés zéolites, constitués de silicium et d’oxyde d’aluminium, qui ont une large gamme d’utilisations, de litière pour chat jusqu'au raffinage du pétrole.
"Fondamentalement, l'idée est que le pore a la bonne taille pour contenir des molécules organiques", a déclaré Gomez-Bombarelli. Bien que les ingénieurs ne connaissent qu'environ 250 zéolithes de cette classe, les physiciens peuvent calculer des centaines de milliers de façons possibles de former ces structures. "Certains d'entre eux peuvent se convertir les uns aux autres", a-t-il déclaré. "Ensuite, vous pouvez extraire une zéolite, la mettre sous pression ou la chauffer. Elle devient alors une zéolite différente qui pourrait être plus utile pour une application spécifique."
Une méthode traditionnelle consistait à interpréter ces structures cristallines comme une combinaison de blocs de construction. Toutefois, lors de l'analyse des transformations zéolithiques, plus de la moitié du temps, il n'y avait pas de bloc de construction commun entre la zéolithe d'origine avant le changement et la nouvelle zéolite après le changement. "La théorie des composants de base contient des ingrédients intéressants, mais elle n'explique pas les règles pour passer d'un point à un autre", a déclaré Gomez-Bombarelli.
Approche graphique
La nouvelle approche graphique de Gomez-Bombarelli découvre que lorsque chaque structure de structure de zéolite est représentée sous forme de graphique, ces graphiques coïncident avant et après dans des paires de transformation de zéolite. "Certains types de transformations ne se produisent que parmi les zéolithes ayant le même graphe", a-t-il déclaré.
Ce travail a été élaboré à partir des données extraites par Olivetti de 2,5 millions d'articles de revues de science des matériaux pour découvrir des recettes permettant de fabriquer différents matériaux inorganiques. L'étude sur les zéolites a examiné 70 000 articles. "L'un des défis à tirer de la littérature est que nous publions des exemples positifs, nous publions des données sur les choses qui se sont bien déroulées", a déclaré Olivetti. Dans la communauté des zéolites, les chercheurs publient également ce qui ne fonctionne pas. "C'est un ensemble de données précieux à partir duquel nous pouvons apprendre", a-t-il déclaré. "Ce que nous avons pu utiliser pour cet ensemble de données, c'est d'essayer de prédire des voies de synthèse possibles pour fabriquer des types particuliers de zéolithes."
Dans un travail précédent avec des collègues de l'Université du Massachusetts, Olivetti a mis au point un système identifiant les mots et techniques scientifiques communs trouvés dans les phrases de cette grande bibliothèque et rassemblant des résultats similaires. "Un défi important dans le traitement du langage naturel consiste à dessiner ces informations liées dans un document", a expliqué Olivetti. "Nous essayons de créer des outils permettant de créer ce lien", a déclaré Olivetti.
Synthèse chimique assistée par IA
Klavs F. JensenWarren K. Lewis, professeur en génie chimique et professeur en science des matériaux et en génie des matériaux, a décrit un système de synthèse chimique combinant des étapes de traitement guidées par une intelligence artificielle et un système de réaction modulaire à commande robotique.
Pour ceux qui ne sont pas familiers avec la synthèse, Jensen a expliqué que "vous avez des réactifs avec lesquels vous commencez, vous avez des réactifs que vous devez ajouter, des catalyseurs, etc. pour que la réaction fonctionne, vous avez des intermédiaires et vous finissez avec votre produit."
Jensen rapporte que le système d'intelligence artificielle combinait 12,5 millions de réactions, créant ainsi un ensemble de règles, ou bibliothèque, d'environ 160 000 des recettes de synthèse les plus couramment utilisées. Cette approche d'apprentissage automatique suggère des conditions de traitement telles que les catalyseurs, les solvants et les réactifs à utiliser dans la réaction.
"Vous pouvez demander au système de prendre toutes les informations que vous avez obtenues dans la littérature publiée sur les conditions, etc., et vous pouvez les utiliser pour créer une recette", dit-il. Comme il n’ya pas encore assez de données pour informer le système, un expert en chimie doit encore intervenir pour spécifier les concentrations, les débits et les configurations de la pile de traitement, et pour garantir la sécurité avant d’envoyer la recette au système robotique.
Les chercheurs ont démontré ce système en prédisant les plans de synthèse de 15 médicaments ou molécules analogues à des médicaments, par exemple la lidocaïne, un analgésique, et plusieurs médicaments pour l'hypertension, puis en les utilisant avec le système. Le système de réacteur à écoulement contraste avec un système discontinu. "Pour accélérer les réactions, nous utilisons des conditions beaucoup plus agressives que celles effectuées par lots: températures élevées et pressions plus élevées", a déclaré Jensen.
Le système modulaire comprend une tour de traitement avec des modules de réaction interchangeables et un ensemble de différents réactifs, qui sont connectés les uns aux autres par le robot pour chaque synthèse. Ces résultats ont été rapportés dans Sciences.
Les anciens doctorants Connor W. Coley et Dale A. Thomas ont respectivement construit le planificateur de synthèse assisté par ordinateur et le système de réacteur à flux, et l'ancien étudiant postdoctoral Justin AM Lummiss s'est chargé de la chimie avec une grande équipe d'étudiants de Programme de recherche de premier cycle du MIT, doctorants et post-doctorants. Jensen note également les contributions de Regina Barzilay, William H. Green, A. John Hart, Tommi Jaakkola et Tim Jamison, professeurs au MIT. Le MIT a déposé un brevet pour le traitement robotique des connexions de fluide. Le progiciel qui suggère et hiérarchise les routes de synthèse possibles est open source. Il existe une version en ligne dans le logiciel. Site web ASKCOS.
Robustesse dans l'apprentissage machine
Les systèmes d'apprentissage en profondeur fonctionnent incroyablement bien sur les tâches de référence, telles que les images et les applications de traitement du langage naturel, a déclaré le professeur. Asu Ozdaglar, qui dirige le département de génie électrique et informatique au MIT. Malgré tout, les chercheurs sont loin de comprendre pourquoi ces systèmes d'apprentissage en profondeur fonctionnent, quand ils vont fonctionner et comment ils se généralisent. Et quand ils se trompent, ils peuvent complètement se tromper
Ozdaglar a donné l'exemple d'une image avec un classificateur à la fine pointe de la technologie permettant de regarder l'image d'un cochon mignon et de la reconnaître comme celle d'un cochon. Mais, "si vous ajoutez un peu de perturbation, très peu, il se produit que le même classificateur pense que c'est un avion", a déclaré Ozdaglar. "C’est donc un genre d’exemple dans lequel les gens disent que l’apprentissage automatique est si puissant qu’il peut faire voler les cochons", a-t-il déclaré, accompagné des rires du public. "Et cela nous dit immédiatement que nous devons fondamentalement aller au-delà de nos approches standard."
Une solution possible réside dans une formulation d'optimisation connue sous le nom de problème Minimax ou MinMax. Un autre endroit où la formulation de MinMax se pose est la formation de réseaux génératifs adverses, ou GAN. En utilisant un exemple d'images réelles de voitures et de fausses images de voitures, Ozdaglar a expliqué: «Nous souhaitons que ces fausses images soient obtenues à partir de la même distribution que le kit de formation, et ceci à l'aide de deux réseaux de neurones concurrents, un réseau générateur et un réseau discriminant. Le réseau générateur crée ces fausses images à partir de bruit aléatoire que le réseau discriminant tente de séparer pour voir si cela est réel ou faux. "
"C’est fondamentalement un autre problème de MinMax dans lequel le générateur tente de minimiser la distance entre ces deux distributions, fausse et réelle. Et ensuite, le discriminateur tente de maximiser cela", a-t-il déclaré. La solution du problème MinMax est devenue la colonne l’épine dorsale d’une solide formation dans les systèmes d’apprentissage en profondeur, a-t-il déclaré.
Ozdaglar a ajouté que la faculté d’EECS applique l’apprentissage automatique à de nouveaux domaines, y compris les soins médicaux, citant le travail de Regina Barzilay dans la détection du cancer du sein et David Sontag dans l'utilisation des dossiers médicaux électroniques à des fins de diagnostic et de traitement médical.
Le cours d’apprentissage automatique de premier cycle EECS (6 036) a accueilli 800 étudiants au printemps dernier et compte toujours au moins 600 étudiants inscrits, ce qui en fait le cours le plus populaire du MIT. Le nouveau collège d'informatique Stephen A. Schwarzman offre la possibilité de créer une structure plus dynamique et adaptable que la structure traditionnelle du département MIT. Par exemple, une idée est de créer plusieurs groupes d’enseignement interministériels. "Nous visualisons des choses comme des cours sur les bases de l'informatique, l'informatique et l'ingénierie, les études sociales en informatique, et ces cours sont suivis par tous nos étudiants enseignés conjointement par notre corps professoral à travers le MIT", a-t-il déclaré.
Avantage optique
Juejun "JJ" Hu, professeur agrégé de sciences et d’ingénierie des matériaux, a détaillé ses recherches en associant un spectromètre basé sur une puce de silicium pour la détection des longueurs d’onde de la lumière infrarouge à un nouvel algorithme d’apprentissage automatique. Les spectromètres ordinaires, revenant au premier prisme d'Isaac Newton, fonctionnent en divisant la lumière, ce qui réduit l'intensité, mais la version de Hu collecte toute la lumière dans un seul détecteur, ce qui préserve l'intensité de la lumière mais pose ensuite le problème de Identifiez différentes longueurs d'onde à partir d'une seule capture.
"Si vous voulez résoudre cette compensation entre la résolution (spectrale) et le rapport signal / bruit, vous devez recourir à un nouveau type d'outil de spectroscopie appelé spectromètre à multiplexage en longueur d'onde", a déclaré Hu. Sa nouvelle architecture de spectromètre, appelée spectroscopie à transformation numérique de Fourier, intègre des commutateurs optiques accordables sur une puce de silicium. L'appareil fonctionne en mesurant l'intensité de la lumière dans différentes configurations de commutateurs optiques et en comparant les résultats. "Ce que vous avez est essentiellement un groupe d'équations linéaires qui vous donnent une combinaison linéaire d'intensité lumineuse à différentes longueurs d'onde sous la forme d'une lecture par détecteur", a-t-il déclaré.
Un prototype de périphérique avec six commutateurs prend en charge un total de 64 états optiques uniques, pouvant fournir 64 lectures indépendantes. "L'avantage de cette nouvelle architecture de périphérique est que les performances doublent chaque fois que vous ajoutez un nouveau commutateur", a-t-il déclaré. Travailler avec Brando Miranda au MIT Brain, Mind and Machine Center, il a développé un nouvel algorithme, Elastique D1, qui offre une résolution maximale de 0,2 nanomètre et une mesure précise de la lumière avec seulement deux mesures consécutives.
"Nous pensons que ce type de combinaison unique entre le matériel d'une nouvelle architecture de spectromètre et l'algorithme peut permettre une large gamme d'applications allant de la surveillance de processus industriels à l'imagerie médicale", a déclaré M. Hu. Hu utilise également l'apprentissage automatique dans ses travaux sur des supports optiques complexes tels que les méta-surfaces, qui sont de nouveaux dispositifs optiques dotés d'une série d'antennes optiques spécialement conçues qui ajoutent un retard de phase à la lumière entrante.
Gagnants de la session de posters
Neuf étudiants postdoctoraux et étudiants diplômés du MIT ont donné un exposé de deux minutes sur leurs recherches lors d'un aperçu de la session de présentation par affiches. Lors de la séance d’affiche de la Journée des matériaux, immédiatement après le symposium, les lauréats étaient l’étudiante diplômée en génie mécanique Erin Looney, l’étudiante diplômée en arts et sciences des médias Bianca Datta et le postdoc de science des matériaux et ingénierie Michael Chon.
Les Laboratoire de recherche sur les matériaux Il sert des groupes interdisciplinaires de professeurs, de membres du personnel et d'étudiants, avec le soutien de l'industrie, de fondations et d'agences gouvernementales pour mener des recherches fondamentales en ingénierie des matériaux. Les thèmes de recherche comprennent la conversion et le stockage de l'énergie, les matériaux quantiques, la spintronique, la photonique, les métaux, les microsystèmes intégrés, la durabilité des matériaux, les ioniques à l'état solide, les propriétés électroniques des oxydes complexes, les biogels et les fibres fonctionnelles.