Des chercheurs de la Yale School of Engineering and Applied Science analysent l’efficacité d’un outil d’apprentissage automatique pour prédire la formabilité du verre métallique en vrac.
jean velasco
Journaliste collaborateur
Avec l’aimable autorisation de Guannan Liu
L’apprentissage automatique a été utilisé pour un large éventail de tâches telles que la reconnaissance vocale, la détection des fraudes, les recommandations de produits, la reconnaissance d’images et la médecine personnalisée. Néanmoins, sa mise en œuvre a été limitée lorsqu’il s’agit de résoudre des problèmes complexes de science des matériaux.
L’un de ces problèmes consiste à prédire la capacité de formation de verre d’un alliage, qui est un mélange de deux métaux ou plus ou d’éléments métalliques et non métalliques. Une étude dirigée par Yale a relevé cet obstacle en explorant l’utilisation d’un modèle d’apprentissage automatique pour la prédiction de la formation de verre métallique en vrac.
Les verres métalliques en vrac présentent des propriétés uniques, notamment une résistance élevée, une dureté élevée, une résistance à la corrosion et une grande limite de déformation élastique. Pour prédire la formabilité de ces types de verres, les chercheurs de Yale ont développé un modèle d’apprentissage automatique basé sur 201 caractéristiques d’alliage construites à partir de la combinaison de 31 caractéristiques élémentaires, notamment le numéro atomique, le poids atomique, la température de fusion, le rayon covalent, la chaleur de fusion et l’électronégativité. . Cette prédiction a ensuite été comparée à un modèle basé sur des caractéristiques non physiques, ainsi qu’à un modèle d’apprentissage automatique basé sur les connaissances humaines qu’ils ont également développé.
“La nature de ces différentes entrées est ce qui distingue ce travail, qui varie largement entre les données élémentaires, les données non physiques et les données apprises par l’homme”, a déclaré Guannan Liu GRD ’24, un doctorant en génie mécanique et science des matériaux à Yale et premier auteur de l’étude.
Corey O’Hern, professeur de génie mécanique et de science des matériaux à Yale, a souligné que malgré le succès des outils d’apprentissage automatique dans d’autres domaines, ces approches n’ont jusqu’à présent pas été en mesure de prédire un nouvel alliage vitrifiant métallique massif. Ainsi, il y a une opportunité d’exploration à venir.
“Ce travail commence à répondre à cette question afin que de nouvelles méthodes d’apprentissage automatique puissent être développées pour la conception de verre métallique en vrac”, a déclaré O’Hern.
Les auteurs ont constaté que quelle que soit la nature des données – élémentaires, non physiques et apprises par l’homme – la précision de prédiction des nouveaux alliages avec une composition similaire à partir de l’ensemble de données de formation était comparable entre les modèles.
Cependant, le modèle d’apprentissage automatique basé sur les caractéristiques de l’alliage 201 s’est avéré donner de moins bons résultats que le modèle basé sur l’apprentissage humain pour prédire de nouveaux alliages dont les compositions étaient assez différentes de l’ensemble de données de formation.
“Cela révèle une idée très puissante : les problèmes complexes de science des matériaux tels que la formation de verre métallique en vrac nécessitent des connaissances physiques pour développer des modèles d’apprentissage automatique efficaces et prévisibles”, a déclaré Liu.
Étant donné qu’une grande partie du travail s’est concentrée sur la comparaison de différents outils d’apprentissage automatique dans le passé, l’approche de l’équipe leur a permis de comparer une approche d’apprentissage automatique avec l’apprentissage humain assisté par ordinateur traditionnel, fournissant un aperçu précieux des applications de l’apprentissage automatique dans la conception de matériaux. .
Sung Woo Sohn, chercheur associé au Département de génie mécanique et de science des matériaux de Yale, a réfléchi à la différence de résultats entre le modèle de l’étude et le modèle basé sur l’apprentissage humain, notant comment le modèle basé sur l’apprentissage humain présentait une plus grande capacité à extrapoler que le modèle général d’apprentissage automatique, “qui ne fait que des prédictions précises à proximité immédiate des données connues”.
“Il est important de découvrir le domaine où l’apprentissage automatique est utile et tout aussi important là où il ne l’est pas”, a déclaré Marc D. Shattuck, professeur de physique à le City College de New York et co-auteur de cette étude. “Nous avons fait les premiers pas pour définir ce domaine utile dans le domaine de la conception de matériaux.”
Selon Liu, l’équipe vise à étendre l’utilisation de l’apprentissage automatique à d’autres domaines, comme l’exploration plus approfondie du domaine de la formation du verre ainsi que les possibilités de nouveaux verres métalliques en vrac.
L’étude a été publiée dans la revue Acta Materialia.