L’apprentissage automatique révèle les secrets des alliages avancés

Le concept d’ordre à courte portée (SRO) – l’agencement des atomes sur de petites distances – dans les alliages métalliques a été peu étudié en science et en ingénierie des matériaux. Mais au cours de la dernière décennie, un regain d’intérêt s’est manifesté pour sa quantification, car le décodage du SRO est une étape cruciale vers le développement d’alliages sur mesure à hautes performances, tels que des matériaux plus résistants ou résistants à la chaleur.

Comprendre comment les atomes s’organisent n’est pas une tâche facile et doit être vérifié à l’aide d’expériences intensives en laboratoire ou de simulations informatiques basées sur des modèles imparfaits. Ces obstacles ont rendu difficile l’exploration complète de la SRO dans les alliages métalliques.

Mais Killian Sheriff et Yifan Cao, étudiants diplômés du département de science et d’ingénierie des matériaux (DMSE) du MIT, utilisent l’apprentissage automatique pour quantifier, atome par atome, les arrangements chimiques complexes qui composent le SRO. Sous la supervision du professeur adjoint Rodrigo Freitas et avec l’aide de la professeure adjointe Tess Smidt du département de génie électrique et d’informatique, leurs travaux ont récemment été publiés dans Actes de l’Académie nationale des sciences.

L’intérêt pour la compréhension du SRO est lié à l’engouement suscité par les matériaux avancés appelés alliages à haute entropie, dont les compositions complexes leur confèrent des propriétés supérieures.

En règle générale, les scientifiques des matériaux développent des alliages en utilisant un élément comme base et en ajoutant de petites quantités d’autres éléments pour améliorer certaines propriétés. L’ajout de chrome au nickel, par exemple, rend le métal obtenu plus résistant à la corrosion.

Contrairement à la plupart des alliages traditionnels, les alliages à haute entropie contiennent plusieurs éléments, de trois à vingt, dans des proportions presque égales. Cela offre une vaste marge de manœuvre en matière de conception. « C’est comme si vous prépariez une recette avec beaucoup plus d’ingrédients », explique Cao.

L’objectif est d’utiliser le SRO comme un « bouton » pour adapter les propriétés des matériaux en mélangeant des éléments chimiques dans des alliages à haute entropie de manière unique. Cette approche a des applications potentielles dans des secteurs tels que l’aérospatiale, la biomédecine et l’électronique, d’où la nécessité d’explorer les permutations et les combinaisons d’éléments, explique Cao.

Capture d’ordre à courte portée

L’ordre à courte portée fait référence à la tendance des atomes à former des arrangements chimiques avec des atomes voisins spécifiques. Bien qu’un examen superficiel de la distribution élémentaire d’un alliage puisse indiquer que ses éléments constitutifs sont disposés de manière aléatoire, ce n’est souvent pas le cas.

« Les atomes ont une préférence pour des atomes voisins spécifiques disposés selon des motifs particuliers », explique Freitas. « La fréquence à laquelle ces motifs apparaissent et la façon dont ils sont distribués dans l’espace définissent la SRO. »

Comprendre le SRO ouvre les clés du royaume des matériaux à haute entropie. Malheureusement, on ne sait pas grand-chose sur le SRO dans les alliages à haute entropie. « C’est comme si nous essayions de construire un énorme modèle de Lego sans savoir quelle est la plus petite pièce de Lego que nous pouvons avoir », explique Sheriff.

Les méthodes traditionnelles de compréhension du SRO impliquent de petits modèles informatiques, ou des simulations avec un nombre limité d’atomes, fournissant une image incomplète de systèmes matériels complexes.

« Les matériaux à haute entropie sont chimiquement complexes. Il est impossible de les simuler correctement avec seulement quelques atomes. Il faut vraiment aller à plusieurs échelles de longueur au-delà pour capturer le matériau avec précision », explique Sheriff. « Sinon, c’est comme essayer de comprendre son arbre généalogique sans connaître l’un des parents. »

Le SRO a également été calculé à l’aide de mathématiques de base, en comptant les voisins immédiats de quelques atomes et en calculant à quoi cette distribution pourrait ressembler en moyenne. Malgré sa popularité, cette approche a ses limites, car elle offre une image incomplète du SRO.

Heureusement, les chercheurs exploitent l’apprentissage automatique pour surmonter les lacunes des approches traditionnelles de capture et de quantification du SRO.

Hyunseok Oh, professeur adjoint au département des sciences et de l’ingénierie des matériaux de l’université du Wisconsin à Madison et ancien postdoctorant DMSE, est enthousiaste à l’idée d’étudier plus en détail le SRO. Oh, qui n’a pas participé à cette étude, explore comment tirer parti de la composition des alliages, des méthodes de traitement et de leur relation avec le SRO pour concevoir de meilleurs alliages.

« La physique des alliages et l’origine atomistique de leurs propriétés dépendent de l’ordre à courte portée, mais le calcul précis de l’ordre à courte portée a été presque impossible », explique Oh.

Une solution d’apprentissage automatique à deux volets

Pour étudier le SRO à l’aide de l’apprentissage automatique, il est utile d’imaginer la structure cristalline des alliages à haute entropie comme un jeu de points à relier dans un livre de coloriage, explique Cao.

« Vous devez connaître les règles permettant de relier les points pour voir le modèle. » Et vous devez capturer les interactions atomiques avec une simulation suffisamment grande pour contenir l’intégralité du modèle.

Pour comprendre les règles, il fallait d’abord reproduire les liaisons chimiques dans les alliages à haute entropie. « Il existe de petites différences d’énergie dans les modèles chimiques qui conduisent à des différences dans l’ordre à courte portée, et nous n’avions pas de bon modèle pour le faire », explique Freitas. Le modèle développé par l’équipe est le premier élément de base pour quantifier avec précision la SRO.

La deuxième partie du défi, qui consistait à fournir aux chercheurs une vue d’ensemble, était plus complexe. Les alliages à haute entropie peuvent présenter des milliards de « motifs » chimiques, c’est-à-dire des combinaisons d’agencements d’atomes. Il est difficile d’identifier ces motifs à partir de données de simulation, car ils peuvent apparaître sous des formes symétriquement équivalentes (rotation, miroir ou inversion). À première vue, ils peuvent sembler différents, mais contenir les mêmes liaisons chimiques.

L’équipe a résolu ce problème en utilisant des réseaux neuronaux euclidiens 3D. Ces modèles informatiques avancés ont permis aux chercheurs d’identifier des motifs chimiques à partir de simulations de matériaux à haute entropie avec un niveau de détail sans précédent, en les examinant atome par atome.

La dernière tâche consistait à quantifier le SRO. Freitas a utilisé l’apprentissage automatique pour évaluer les différents motifs chimiques et étiqueter chacun d’eux avec un numéro. Lorsque les chercheurs veulent quantifier le SRO d’un nouveau matériau, ils l’exécutent avec le modèle, qui le trie dans sa base de données et génère une réponse.

L’équipe a également déployé des efforts supplémentaires pour rendre son cadre d’identification des motifs plus accessible. « Nous avons déjà mis en place cette feuille de toutes les permutations possibles de (SRO), et nous savons quel numéro chacune d’entre elles a obtenu grâce à ce processus d’apprentissage automatique », explique Freitas. « Ainsi, plus tard, lorsque nous lancerons des simulations, nous pourrons les trier pour nous dire à quoi ressemblera ce nouveau SRO. » Le réseau neuronal reconnaît facilement les opérations de symétrie et marque les structures équivalentes avec le même numéro.

« Si vous deviez compiler toutes les symétries vous-même, cela représenterait beaucoup de travail. L’apprentissage automatique a organisé cela pour nous très rapidement et d’une manière suffisamment peu coûteuse pour que nous puissions l’appliquer dans la pratique », explique Freitas.

Entrez dans le supercalculateur le plus rapide du monde

Cet été, Cao, Sheriff et leur équipe auront l’occasion d’explorer comment le SRO peut évoluer dans des conditions de traitement des métaux de routine, comme le moulage et le laminage à froid, grâce au programme INCITE du département américain de l’énergie, qui permet l’accès à Frontier, le supercalculateur le plus rapide du monde.

« Si vous voulez savoir comment l’ordre à courte distance évolue au cours de la fabrication réelle des métaux, vous devez disposer d’un très bon modèle et d’une simulation de très grande envergure », explique Freitas. L’équipe dispose déjà d’un modèle solide ; elle va maintenant exploiter les installations informatiques d’INCITE pour les simulations robustes requises.

« Avec cela, nous espérons découvrir le type de mécanismes que les métallurgistes pourraient utiliser pour concevoir des alliages avec des SRO prédéterminés », ajoute Freitas.

Sheriff est enthousiasmé par les nombreuses promesses de cette recherche. L’une d’entre elles concerne les informations 3D qui peuvent être obtenues sur les SRO chimiques. Alors que les microscopes électroniques à transmission traditionnels et d’autres méthodes se limitent aux données bidimensionnelles, les simulations physiques peuvent compléter les points et donner un accès complet aux informations 3D, explique Sheriff.

« Nous avons mis en place un cadre pour commencer à parler de la complexité chimique », explique Sheriff. « Maintenant que nous pouvons comprendre cela, il existe tout un ensemble de sciences des matériaux sur les alliages classiques pour développer des outils prédictifs pour les matériaux à haute entropie. »

Cela pourrait conduire à la conception ciblée de nouvelles classes de matériaux au lieu de simplement tirer dans le noir.

Cet article est republié avec l’aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l’actualité de la recherche, de l’innovation et de l’enseignement au MIT.