Des scientifiques développent une nouvelle méthode d’IA pour créer des « empreintes digitales » matérielles

Tout comme les êtres humains, les matériaux évoluent au fil du temps. Ils se comportent également différemment lorsqu’ils sont soumis à un stress ou à une détente. Des scientifiques cherchant à mesurer la dynamique de l’évolution des matériaux ont développé une nouvelle technique qui s’appuie sur la spectroscopie de corrélation des photons X (XPCS), l’intelligence artificielle (IA) et l’apprentissage automatique.

Cette technique permet de créer des « empreintes digitales » de différents matériaux qui peuvent être lues et analysées par un réseau neuronal pour obtenir de nouvelles informations auxquelles les scientifiques n’avaient auparavant pas accès. Un réseau neuronal est un modèle informatique qui prend des décisions de manière similaire au cerveau humain.

Dans une nouvelle étude menée par des chercheurs de l’Advanced Photon Source (APS) et du Center for Nanoscale Materials (CNM) du laboratoire national d’Argonne du ministère américain de l’Énergie (DOE), les scientifiques ont associé XPCS à un algorithme d’apprentissage automatique non supervisé, une forme de réseau neuronal qui ne nécessite aucune formation spécialisée. L’algorithme apprend lui-même à reconnaître des motifs cachés dans des arrangements de rayons X diffusés par un colloïde, un groupe de particules en suspension dans une solution. L’APS et le CNM sont des installations utilisatrices du DOE Office of Science.

Un article basé sur l’étude paraît dans Nature Communications.

« La façon dont nous comprenons comment les matériaux se déplacent et changent au fil du temps est de collecter des données de diffusion des rayons X », a déclaré James (Jay) Horwath, chercheur postdoctoral d’Argonne, premier auteur de l’étude.

Ces modèles sont trop complexes pour que les scientifiques puissent les détecter sans l’aide de l’IA.

« Lorsque nous projetons le faisceau de rayons X, les motifs sont si divers et si complexes qu’il devient difficile, même pour les experts, de comprendre ce qu’ils signifient », a déclaré Horwath.

Pour que les chercheurs comprennent mieux ce qu’ils étudient, ils doivent condenser toutes les données en empreintes digitales qui ne contiennent que les informations les plus essentielles sur l’échantillon.

« Vous pouvez le considérer comme si vous aviez le génome du matériau ; il contient toutes les informations nécessaires pour reconstruire l’image entière », a déclaré Horwath.

Le projet s’appelle Intelligence artificielle pour la dynamique de relaxation hors équilibre, ou AI-NERD. Les empreintes digitales sont créées à l’aide d’une technique appelée autoencodeur. Un autoencodeur est un type de réseau neuronal qui transforme les données d’image originales en empreinte digitale (appelée représentation latente par les scientifiques) et qui comprend également un algorithme de décodage utilisé pour passer de la représentation latente à l’image complète.

L’objectif des chercheurs était d’essayer de créer une carte des empreintes digitales du matériau, en regroupant les empreintes digitales ayant des caractéristiques similaires dans des quartiers. En examinant de manière holistique les caractéristiques des différents quartiers d’empreintes digitales sur la carte, les chercheurs ont pu mieux comprendre comment les matériaux étaient structurés et comment ils évoluaient au fil du temps sous l’effet du stress et de la relaxation.

En termes simples, l’IA dispose de bonnes capacités générales de reconnaissance de formes, ce qui lui permet de catégoriser efficacement les différentes images radiographiques et de les trier sur la carte.

« L’objectif de l’IA est simplement de traiter les motifs de dispersion comme des images ou des photos ordinaires et de les assimiler, afin de déterminer quels sont les motifs répétitifs », a déclaré Horwath. « L’IA est un expert en reconnaissance de motifs. »

L’utilisation de l’IA pour comprendre les données de diffusion sera particulièrement importante à mesure que l’APS sera mis en service. L’installation améliorée générera des faisceaux de rayons X 500 fois plus brillants que l’APS d’origine.

« Les données que nous obtiendrons de l’APS mis à niveau auront besoin de la puissance de l’IA pour les trier », a déclaré Horwath.

Le groupe théorique du CNM a collaboré avec le groupe informatique de la division des sciences des rayons X d’Argonne pour réaliser des simulations moléculaires de la dynamique des polymères démontrée par XPCS et, à l’avenir, générer synthétiquement des données pour la formation de flux de travail d’IA comme l’AI-NERD.

Les auteurs de l’étude sont James (Jay) Horwath, Xiao-Min Lin, Hongrui He, Qingteng Zhang, Eric Dufresne, Miaoqi Chu, Subramanian Sankaranaryanan, Wei Chen, Suresh Narayanan et Mathew Cherukara d’Argonne. Chen et He ont des postes conjoints à l’Université de Chicago, et Sankaranaryanan a un poste conjoint à l’Université de l’Illinois à Chicago.