Spécification d’un exemple d’objectif expérimental et traduction en une stratégie d’acquisition de données automatisée. a Visualisation de l’espace de conception et de l’espace de propriétés mesurées correspondant pour un exemple de système de matériaux. Les échantillons de l’espace de conception (un ensemble discret de points de conception) correspondent directement à un ensemble de propriétés mesurées (espace de propriétés mesurées). L’ensemble de tous les points de conception possibles et des propriétés mesurables est représenté en bleu. Le sous-ensemble cible de vérité fondamentale de l’espace de conception correspondant à l’objectif utilisateur est représenté en orange. Il est important de noter que le sous-ensemble de vérité fondamentale qui atteint l’objectif expérimental est inconnu avant l’expérimentation. b Le point de données suivant est acquis de manière intelligente sur la base des mesures collectées précédemment et de l’objectif expérimental spécifique. La méthode permettant d’atteindre cette stratégie de recommandation est au centre du manuscrit. Crédit : Matériaux informatiques npj (2024). DOI : 10.1038/s41524-024-01326-2
Des scientifiques ont développé une méthode basée sur l’IA qui permet de collecter des données plus efficacement dans la recherche de nouveaux matériaux, permettant aux chercheurs de relever des défis de conception complexes avec plus de précision et de rapidité.
Cette recherche est le fruit d’une collaboration entre des chercheurs en informatique et en science des matériaux du laboratoire national d’accélération SLAC du ministère de l’Énergie et de l’université de Stanford. Cette collaboration associe une expertise en développement d’algorithmes, en apprentissage automatique et en science des matériaux.
Leur travail, publié aujourd’hui dans Matériaux informatiques npjpose les bases d’« expériences autonomes », où un algorithme intelligent définit les paramètres de la prochaine série de mesures dans des installations telles que la source de lumière cohérente Linac (LCLS) du SLAC. La nouvelle méthode permet également la découverte rapide de nouveaux matériaux, qui pourraient s’avérer prometteurs dans des domaines tels que le changement climatique, l’informatique quantique et la conception de médicaments.
La découverte de matériaux traditionnels a toujours été un processus long et coûteux en raison du coût de fabrication et de mesure des propriétés des nouveaux matériaux. L’espace des matériaux possibles est également extrêmement vaste, dépassant les 10 milliards de possibilités pour les matériaux constitués de seulement quatre éléments. Pour les applications pharmaceutiques, le défi est encore plus grand, avec environ 10 milliards de possibilités60 molécules potentiellement semblables à des médicaments contenant uniquement les éléments constitutifs les plus basiques (atomes C, H, O, N et S).
La tâche est encore compliquée par la nécessité de satisfaire à des objectifs de conception complexes, comme la découverte des conditions permettant de synthétiser des nanoparticules de tailles, de formes et de compositions différentes. Les méthodes traditionnelles, qui maximisent ou minimisent généralement une propriété simple, sont souvent trop lentes pour parcourir de vastes espaces de recherche afin de découvrir de nouveaux matériaux qui correspondent aux objectifs d’un chercheur.
Cet article propose une nouvelle approche qui prend des objectifs complexes et les convertit automatiquement en stratégies intelligentes d’acquisition de données. L’une des caractéristiques clés est la capacité d’apprendre et de s’améliorer à partir de chaque expérience, en utilisant l’IA pour suggérer les prochaines étapes en fonction des données collectées jusqu’à présent. L’innovation repose sur le concept d’exécution d’algorithmes bayésiens (BAX), développé récemment par le co-auteur Willie Neiswanger, qui était chercheur postdoctoral en informatique à Stanford au moment où la recherche a été menée. Dans cette méthode, un objectif complexe peut être écrit sous la forme d’une simple liste de courses ou d’une recette, excellant dans les situations où plusieurs propriétés physiques doivent être prises en compte.
Un autre aspect important est que cette méthode est conviviale et open source, permettant aux scientifiques du monde entier de l’utiliser et de l’adapter à leurs recherches, favorisant ainsi la collaboration et l’innovation à l’échelle mondiale.
Les chercheurs ont testé leur approche sur une variété d’objectifs personnalisés pour la synthèse de nanomatériaux et la caractérisation de matériaux magnétiques. Les résultats ont montré que leurs méthodes étaient significativement plus efficaces que les techniques actuelles, en particulier dans des scénarios complexes.
« Notre méthode permet de définir des objectifs complexes, ce qui permet une optimisation automatique sur un large espace de conception, ce qui augmente la probabilité de trouver de nouveaux matériaux étonnants », a déclaré Sathya Chitturi, doctorant au SLAC et à Stanford, qui a dirigé la recherche. « Le cadre d’exécution de l’algorithme bayésien vous permet de saisir les subtilités des tâches de conception des matériaux de manière élégante et simple. »
La capacité de concevoir des matériaux dotés de propriétés catalytiques spécifiques, par exemple, pourrait améliorer les processus chimiques qui mènent à des moyens plus efficaces et plus durables de fabriquer des biens et des matériaux, réduisant ainsi la consommation d’énergie et les déchets. Dans le secteur manufacturier, de nouveaux matériaux pourraient améliorer des processus tels que l’impression 3D, permettant une production plus précise et plus durable. Dans le domaine des soins de santé, des systèmes d’administration de médicaments sur mesure peuvent améliorer le ciblage et la libération des produits thérapeutiques, améliorant ainsi leur efficacité et réduisant les effets secondaires.
Les chercheurs mettent déjà en œuvre des moyens pour intégrer ce cadre dans des projets de recherche expérimentaux et basés sur la simulation afin de démontrer sa large applicabilité et son efficacité.
« Ce projet est un excellent exemple de collaboration multidisciplinaire entre le SLAC et Stanford », a déclaré Daniel Ratner, responsable de l’initiative d’apprentissage automatique du SLAC. « Sathya a su adapter les recherches fondamentales de Willie en informatique algorithmique pour résoudre des problèmes scientifiques concrets en science des matériaux. »
Les chercheurs du MLI étudient désormais des applications pour les simulations de matériaux à grande échelle, et Neiswanger, Ratner et leurs collaborateurs viennent de publier une application connexe de BAX pour optimiser les performances des accélérateurs de particules.
« En combinant des algorithmes avancés à des stratégies expérimentales ciblées, notre méthode facilite et accélère le processus de découverte de nouveaux matériaux », a déclaré Chris Tassone, directeur de la division des sciences des matériaux de la Stanford Synchrotron Radiation Lightsource (SSRL) au SLAC. « Cela peut conduire à de nouvelles innovations et applications dans de nombreux secteurs. »
Plus d’information:
Sathya R. Chitturi et al, Découverte de matériaux ciblés à l’aide de l’exécution d’algorithmes bayésiens, Matériaux informatiques npj (2024). DOI : 10.1038/s41524-024-01326-2
Fourni par le Laboratoire national d’accélération du SLAC
Citation:Une nouvelle approche de l’IA accélère la découverte de matériaux ciblés et ouvre la voie à des expériences autonomes (2024, 18 juillet) récupéré le 18 juillet 2024 à partir de
Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni à titre d’information uniquement.
