Intelligence artificielle pour les composés intermetalliques – AIIM

La science des matériaux contribue à relever les défis de notre société, notamment ceux du changement climatique, en fournissant des matériaux à applications spécifiques hautement optimisés. Les classes de matériaux d’intérêt sont les matériaux de structure tels que les superalliages et les aciers légers pour une efficacité accrue dans l'aviation, l'automobile et la production d'énergie, ainsi que les matériaux fonctionnels tels que les cellules solaires et les batteries pour la production et le stockage d'énergie électrique. Le principal défi pour la conception et l'optimisation des matériaux est la prédiction de la stabilité thermodynamique d'un composé, c'est-à-dire la prédiction de la structure cristallographique énergétiquement stable à partir de sa seule composition chimique. L'énorme effort numérique nécessaire à cette prédiction fixe une limite fondamentale à l'exploration computationnelle des matériaux. Même si les calculs avec la théorie de la fonctionnelle de la densité (DFT) ont révolutionné la science des matériaux et fournissent des prédictions très fiables de la stabilité thermodynamique, ils restent trop coûteux en puissance numérique pour explorer la complexité chimique et structurelle nécessaire à de nombreux matériaux technologiquement pertinents. Avec l’essor des découvertes basées sur la science des données, nous assistons à l’avènement d’un quatrième paradigme de la science. L'énorme potentiel de l'exploitation des données avec l'intelligence artificielle (IA) va changer de nombreux domaines de notre société, de la santé à l'environnement en passant par la technologie. La science des matériaux est l'un de ces domaines, où l'IA est déjà en train de changer la donne.

Dans ce projet, nous appliquons des techniques modernes d'IA pour la prédiction de la stabilité thermodynamique de phases intermétalliques qui jouent un rôle central dans les superalliages et les aciers légers. Dans le cadre de cette approche nouvelle et unique, nous développerons un écosystème hybride d'IA avec une applicabilité plus large, dans lesquels les descripteurs seront conçus pour inclure (i) des propriétés physiques comme le rayon atomique et le nombre d’électrons de valence, (ii) des informations de la géométrique locale, (iii) une connaissance qualitative du domaine des interactions interatomiques en termes de modèles physiques, (iv) une connaissance quantitative du domaine de la formation des liaisons chimiques à partir de la DFT, et (v) une connaissance quantitative du domaine de la relation structure-énergie. Ces descripteurs seront utilisés avec différents modèles de régression en combinaison avec des modèles de réduction de la dimensionnalité, une hyper-optimisation et une analyse d'importance. Cela nous permettra de construire des modèles d'IA hybride qui seront suffisamment robustes pour explorer des phases topologiquement proches, chimiquement et structurellement complexes, qui ne sont pas accessibles autrement. Les prédictions de nos modèles sur la stabilité structurelle et l'occupation des sous-réseaux de ces matériaux intermétalliques seront confirmées par des mesures expérimentales dans le cadre de ce projet. Nous attendons que notre démarche d’IA hybride ouvre de nouveaux pans de recherche prometteurs au profit de la science des matériaux en France et en Allemagne.