Table of Contents

L'exploitation des données a révolutionné de nombreux domaines scientifiques en permettant aux chercheurs d'analyser de vastes ensembles de données et de découvrir des modèles cachés qui seraient impossibles à détecter par des méthodes traditionnelles.Dans le domaine de la science des matériaux, les techniques d'exploitation des données sont de plus en plus utilisées pour découvrir de nouveaux matériaux et compositions industriels qui peuvent mener à des produits et des procédés novateurs.

L'approche traditionnelle de la découverte de matériaux, qui a été mise à l'essai et au mauvais fonctionnement, a bien servi la science pendant des siècles, mais elle est de plus en plus inadéquate pour répondre aux exigences de l'industrie moderne. L'innovation matérielle joue un rôle très important dans le progrès technologique et le développement industriel.

Comprendre l'exploitation des données dans le contexte de la science des matériaux

L'exploitation de données dans le domaine des matériaux se réfère à l'application de techniques informatiques pour extraire des modèles, des relations et des idées significatifs à partir de grands ensembles de données sur les matériaux.Cette approche interdisciplinaire combine des éléments d'informatique, de statistiques, de sciences des matériaux et d'expertise de domaine pour identifier des candidats prometteurs qui pourraient autrement rester cachés dans de vastes bases de données.

La communauté des sciences des matériaux a intégré l'exploitation des données dans le cadre d'un mouvement plus large vers l'informatique des matériaux, un domaine qui applique les principes de la science des données à la recherche sur les matériaux, et qui est motivé par plusieurs facteurs, dont la disponibilité de ressources informatiques à grande échelle, la mise au point d'algorithmes d'apprentissage automatique sophistiqués et la création de vastes bases de données sur les matériaux qui fournissent les données brutes nécessaires à l'exploitation efficace des données.

L'Initiative sur le génome des matériaux et la découverte de données

L'Initiative sur le génome des matériaux, lancée aux États-Unis en 2011, a joué un rôle déterminant dans la promotion d'approches de la découverte des matériaux fondées sur les données.Cette initiative a reconnu que le cycle de développement des matériaux traditionnels, qui peut prendre 10 à 20 ans, de la découverte initiale au déploiement commercial, devait être considérablement raccourci pour maintenir la compétitivité de la fabrication avancée.

Le rôle de l'exploitation de données dans la découverte des matériaux

Les méthodes traditionnelles de découverte de nouveaux matériaux impliquent souvent des expériences d'essai et d'erreur, qui peuvent prendre du temps et coûter cher. Une seule campagne expérimentale pour développer un nouvel alliage ou matériau composite peut nécessiter des mois ou des années de travail et consommer des ressources importantes en laboratoire. L'exploitation des données permet aux scientifiques de passer par de grands ensembles de données, y compris des résultats expérimentaux et des simulations de calcul, pour identifier plus efficacement les candidats prometteurs.

La puissance de l'extraction de données dans la découverte de matériaux réside dans sa capacité à identifier des relations complexes et non linéaires entre la composition, la structure, les conditions de traitement et les propriétés des matériaux.Ces relations sont souvent trop complexes pour que les chercheurs humains puissent discerner par intuition seule, surtout lorsqu'ils traitent de systèmes à composants multiples ou de matériaux à microstructures complexes.

Types de données utilisées dans l'extraction de données sur les matériaux

L'efficacité de l'extraction de données dans la découverte de matériaux dépend de façon critique de la qualité, de la quantité et de la diversité des données disponibles.

  • Données expérimentales tirées des essais en laboratoire:[ Cela comprend les mesures des propriétés mécaniques (résistance, dureté, ductilité), des propriétés thermiques (conductivité, coefficient d'expansion), des propriétés électriques (conductivité, constante diélectrique), des propriétés optiques et des propriétés chimiques.
  • Les résultats de simulations informatiques: Les calculs de la théorie fonctionnelle de la densité (DFT), les simulations de dynamique moléculaire et les analyses d'éléments finis génèrent de grandes quantités de données sur les propriétés et le comportement des matériaux. La théorie fonctionnelle de la densité a été populaire tout le long de 2019 à 2024, restant dans les 10 premiers mots clés pendant 5 ans. Par conséquent, une combinaison de la théorie fonctionnelle de la densité et de l'apprentissage machine est susceptible de continuer à être utilisée dans le futur.
  • Bases de données sur la littérature et les brevets:[ Des décennies de recherche publiées contiennent des informations précieuses sur les propriétés des matériaux, les méthodes de synthèse et les caractéristiques de performance.
  • Les bases de données sur les biens matériels : Les bases de données protégées telles que le Projet des matériaux, AFLOW, OQMD (Open Quantum Materials Database), et d'autres fournissent des données normalisées et de haute qualité sur des milliers de documents.
  • Données expérimentales à haut débit:[ Les plates-formes automatisées de synthèse et de caractérisation peuvent générer de gros ensembles de données en modifiant systématiquement la composition et les paramètres de traitement.
  • Les données microstructurales:[ Les techniques d'imagerie avancées comme la microscopie électronique, la tomographie par rayons X et la tomographie par sonde atomique fournissent des informations détaillées sur la structure du matériau à des échelles de longueurs multiples.

Techniques d'extraction de données appliquées à la découverte de matériaux

Les spécialistes des matériaux utilisent une panoplie diversifiée de techniques d'extraction de données et d'apprentissage automatique, adaptées à différents types de problèmes et ensembles de données. Le choix de la technique dépend de facteurs tels que la taille et la qualité des données disponibles, la complexité des relations modélisées et les objectifs spécifiques de la recherche :

  • Le regroupement d'algorithmes pour regrouper des matériaux similaires:[ Des méthodes d'apprentissage non supervisées comme le regroupement des moyennes k, le regroupement hiérarchique et le DBSCAN peuvent identifier des regroupements naturels dans les données sur les matériaux.Ces techniques aident les chercheurs à découvrir des familles de matériaux ayant des propriétés similaires ou à identifier des aberrations qui peuvent représenter de nouvelles classes de matériaux.
  • Les modèles de classification pour prédire les propriétés du matériau:[ Des algorithmes d'apprentissage supervisés tels que les machines vectorielles de soutien, les forêts aléatoires et les réseaux neuraux peuvent être formés pour classer les matériaux en catégories en fonction de leurs propriétés.Par exemple, les modèles de classification peuvent prédire si un matériau sera métallique ou semiconducteur, magnétique ou non, stable ou instable. Ces prédictions binaires ou multiclasses sont souvent plus faciles à faire avec précision que les prédictions de propriétés continues.
  • Analyse de régression pour estimer la performance matérielle :[ Lorsque des prédictions quantitatives de propriétés sont nécessaires, les techniques de régression fournissent des sorties à valeur continue. Les modèles d'apprentissage automatique peuvent fournir des prédictions rapides et précises des propriétés matérielles, mais manquent souvent de transparence. La régression linéaire, la régression polynôme, la régression du processus gaussien et la régression du réseau neuronal peuvent tous être appliqués selon la complexité de la relation propriété-composition.
  • La règle d'association apprenant à trouver des relations entre les éléments et les propriétés:[ Ces techniques, empruntées à l'analyse du panier de marché, peuvent identifier des corrélations entre la présence de certains éléments ou caractéristiques structurales et les propriétés souhaitables.Les règles d'association peuvent révéler que certaines combinaisons d'éléments ont tendance à produire des matériaux avec des caractéristiques spécifiques, guidant la conception de nouvelles compositions.
  • Approches d'apprentissage profond:[ En utilisant une approche d'apprentissage profond, nous pouvons contourner une telle ingénierie manuelle de caractéristiques exigeant des connaissances de domaine et obtenir des résultats beaucoup plus bons, même avec seulement quelques milliers d'échantillons de formation. Nous présentons la conception et la mise en œuvre d'un modèle de réseau neuronal profond appelé ElemNet; il capture automatiquement les interactions physiques et chimiques et les similitudes entre différents éléments utilisant l'intelligence artificielle qui lui permet de prédire les propriétés des matériaux avec une meilleure précision et rapidité.
  • Trafer learning:[ Cette technique tire parti des modèles formés sur des ensembles de données volumineux pour faire des prédictions sur des problèmes connexes avec des ensembles de données plus petits.
  • Learning actif:[ Cette approche choisit de façon itérative les expériences ou calculs les plus instructifs à effectuer, en utilisant les prédictions du modèle et les estimations d'incertitude pour guider la recherche.

Prédiction de propriété fondée sur la composition

One of the most powerful applications of data mining in materials discovery is the prediction of material properties directly from chemical composition, without requiring knowledge of the crystal structure. Machine learning has the potential to accelerate materials discovery by accurately predicting materials properties at a low computational cost. We develop a machineL'apprentissage qui ne prend que la stœchiométrie comme entrée et apprend automatiquement des descripteurs appropriés et systématiquement improvables à partir de données. Cette capacité est particulièrement utile pour sélectionner un grand nombre de compositions potentielles avant d'investir dans la détermination ou la synthèse de la structure.

Représentation des compositions chimiques pour l'apprentissage automatique

Un défi clé dans la prévision de la propriété basée sur la composition est de représenter les formules chimiques sous une forme adaptée aux algorithmes d'apprentissage automatique. Notre principale vision méthodologique est de représenter les compositions des matériaux comme des graphiques pondérés denses. Nous montrons que cette formulation améliore significativement l'efficacité de l'échantillon du modèle par rapport à d'autres approches structurales-agnostiques.

  • Les vecteurs de propriété élémentaire: Les matériaux sont représentés par des vecteurs contenant des moyennes pondérées de propriétés élémentaires telles que le rayon atomique, l'électronégativité, l'énergie d'ionisation et l'affinité des électrons.
  • Encodage à une seule chaleur :[ Chaque élément du tableau périodique reçoit une fonction binaire, avec la valeur indiquant la présence ou l'absence dans la composition. Cette approche simple peut être efficace mais ne saisit pas les informations sur les propriétés élémentaires.
  • Représentations de graphiques :[ Les compositions chimiques sont traitées comme des graphiques où les éléments sont des nœuds et les bords représentent leurs interactions. Les réseaux neuraux de graphiques peuvent alors apprendre à prédire les propriétés de ces structures graphiques.
  • Engagements appris:[ Les modèles d'apprentissage profond peuvent automatiquement apprendre des représentations optimales des éléments et des compositions à partir de données, sans nécessiter une ingénierie manuelle de fonctionnalités basée sur les connaissances du domaine.

Demandes de prévision fondée sur la composition

Les modèles d'apprentissage machine basés sur la composition ont été appliqués avec succès pour prédire une large gamme de propriétés matérielles, notamment l'énergie de formation, l'écart de bande, le module en vrac, la conductivité thermique et la température de fusion. Ces modèles permettent de dépister rapidement de vastes espaces de composition – potentiellement des millions de matériaux candidats – afin d'identifier des compositions prometteuses pour une étude expérimentale.

Prédiction de la propriété des matériaux à base de structure

Bien que les prédictions basées sur la composition soient utiles pour le dépistage initial, de nombreuses propriétés matérielles dépendent de façon critique de la structure cristalline.

Descripteurs et représentations structurels

Plusieurs approches ont été développées pour représenter les structures cristallines pour l'apprentissage machine:

  • Matrices de Coulomb:[ Ces matrices codent des informations sur les positions atomiques et les charges nucléaires, fournissant une représentation invariante de rotation des structures moléculaires et cristallines.
  • Recoupement lisses des positions atomiques (SOAP): Ce descripteur capture l'environnement atomique local autour de chaque atome, permettant aux modèles d'apprentissage machine d'apprendre des modèles structurels.
  • Représentations graphiques de cristal:[ Les structures cristallines sont représentées par des graphiques où les atomes sont des nœuds et les liaisons chimiques sont des bords.
  • Représentations adaptées à la symmétrie :[ Ces descripteurs intègrent des informations sur la symétrie cristalline, les groupes spatiaux et les groupes point pour améliorer la précision et l'interprétation des prédictions.

Études de cas et applications

Des études récentes ont démontré l'efficacité de l'exploitation des données pour découvrir de nouveaux alliages, polymères et matériaux composites dans divers secteurs industriels, qui illustrent la valeur pratique des approches fondées sur les données et fournissent des modèles pour les efforts futurs de découverte des matériaux.

Découverte d'alliages à haut rendement

Dans une étude de la machine-learning-drivy de la découverte de composés de Heusler complet, Oliyank et al. ont appliqué le ML pour aider à prédire les composés de structure AB2C. Cette étude visait à trouver les combinaisons appropriées de structure pour prédire les nouveaux composés de Heusler et estimer la stabilité de ces composés prédits. Le modèle a prédit avec succès 12 nouveaux composés de Heusler, y compris les galides Mru2Ga et RuM2Ga (M = Ti-Co), avec le taux réel positif et le taux faux positif de 0,94 et 0,01, respectivement. Ces découvertes démontrent comment l'apprentissage machine peut explorer efficacement des espaces de composition complexes pour identifier les systèmes d'alliage prometteurs.

Dans l'industrie aérospatiale, la demande de matériaux qui combinent une haute résistance à une faible densité a entraîné une recherche approfondie sur les alliages d'aluminium, les alliages de titane et les alliages de magnésium. Les approches d'extraction des données ont accéléré cette recherche en identifiant des combinaisons optimales d'éléments d'alliage et en prédisant les propriétés mécaniques avant une validation expérimentale coûteuse.

Découverte de matériaux composites et polymères

L'extraction de données a permis de découvrir de nouveaux matériaux composites aux propriétés thermiques et électriques améliorées, ouvrant de nouvelles voies aux industries de l'électronique et du stockage de l'énergie. La demande croissante de matériaux composites à haute performance et à bon rapport coût-efficacité nécessite des méthodes informatiques avancées pour optimiser leur composition et leurs propriétés.Cette étude visait à appliquer l'apprentissage machine pour la prédiction et l'optimisation des propriétés fonctionnelles des composites à base d'une matrice thermoplastique avec divers matériaux de remplissage (deux types de fibreux, quatre types de matériaux dispersés et deux types de matériaux de remplissage nanodispersés).

Les composites de polymères représentent une application particulièrement difficile pour l'extraction de données, car leurs propriétés dépendent non seulement de la composition mais aussi des conditions de traitement, de la distribution des matériaux de remplissage et des interactions interfaciales. Des travaux récents ont montré que les modèles d'apprentissage par machine peuvent prédire avec succès les propriétés mécaniques et tribologiques des matériaux composites, permettant une sélection rationnelle des matériaux de remplissage et l'optimisation des formulations.

Matériaux supraconducteurs

La découverte de nouveaux matériaux supraconducteurs à températures critiques plus élevées est un objectif de longue date dans la science des matériaux.Des approches d'apprentissage automatique ont été appliquées pour prédire les températures de transition supraconducteurs et identifier les matériaux candidats prometteurs. Le modèle intégré a combiné trois algorithmes de base (arbre de décision stimulant le gradient, arbre supplémentaire et machine stimulant le gradient de lumière) pour améliorer la précision de la prédiction. Le modèle a obtenu un R2 de 95,9 % et un RMSE de 6,3 K. L'étude a également identifié l'importance de diverses caractéristiques du matériau dans la prévision de Tc, la conductivité thermique jouant un rôle critique.

Matériaux à deux dimensions pour applications électrochimiques

Cette revue a permis d'approfondir l'intégration historique et continue de l'apprentissage automatique dans les matériaux 2D pour les applications énergétiques électrochimiques, en utilisant l'approche de la découverte des connaissances dans les bases de données (KDD) pour guider la recherche par l'extraction de données à partir de la base de données Scopus, en analysant les citations, les mots clés et les tendances.

Matériaux thermoélectriques

Les matériaux thermoélectriques, qui peuvent convertir la chaleur en électricité et vice versa, sont essentiels pour la récupération de la chaleur et les applications de refroidissement à l'état solide. L'efficacité des matériaux thermoélectriques dépend d'une combinaison complexe de conductivité électrique, de conductivité thermique et de coefficient Seebeck, propriétés souvent en conflit les unes avec les autres.

Matériaux catalytiques

La découverte de nouveaux catalyseurs pour les réactions chimiques est un autre domaine où l'extraction de données a montré des promesses importantes. L'activité catalytique dépend de détails subtils de la structure de surface et des propriétés électroniques, ce qui rend difficile de prédire à partir des premiers principes.

Méthodes avancées d'extraction de données

Gestion des données Redundancy et des biais

Les ensembles de données sur les matériaux contiennent généralement de nombreux matériaux redondants (très similaires) en raison de l'approche de bricolage traditionnellement utilisée dans la conception des matériaux. Cette redondance fausse l'évaluation de la performance des modèles d'apprentissage par machine (ML) lorsqu'on utilise le fractionnement aléatoire, ce qui entraîne une surestimation de la performance prédictive et une mauvaise performance sur les échantillons hors distribution.

Pour résoudre ce problème, les chercheurs ont mis au point des méthodes pour contrôler la redondance des ensembles de données et garantir une évaluation plus réaliste du rendement. Dans cet article, nous examinons la performance surestimée des ML en science des matériaux pour la prédiction des propriétés matérielles et proposons MD-HIT, un algorithme de réduction de la redondance pour les ensembles de données matérielles.

Quantité d'incertitude

Lorsqu'on utilise des modèles d'apprentissage automatique pour guider la découverte de matériaux, il est crucial de comprendre l'incertitude des prédictions des modèles. Les modèles sont plus fiables lorsqu'on fait des prédictions pour des matériaux semblables à ceux de l'ensemble d'entraînement, mais peuvent être peu fiables lorsqu'on extrapole des compositions ou des structures nouvelles. Une grande force des modèles structuraux-agnostiques est qu'ils peuvent être utilisés pour sélectionner de grands ensembles de données de candidats générés par combinatorial. Cependant, la plupart des modèles d'apprentissage automatique sont conçus pour les tâches d'interpolation, de sorte que les prédictions des matériaux qui sont hors de la distribution de la formation sont souvent peu fiables.

Les méthodes d'apprentissage automatique bayésien, les méthodes d'ensemble et d'autres techniques de quantification de l'incertitude peuvent fournir des estimations de la confiance en prévision. Ces estimations d'incertitude peuvent être utilisées pour prioriser les efforts de validation expérimentale, en se concentrant sur les matériaux où le modèle est le plus confiant ou, inversement, où des données supplémentaires seraient les plus utiles pour améliorer le modèle.

Interprétabilité et expliquabilité

Nous revoyons les ensembles de données matérielles utilisés dans plusieurs ouvrages et démontrons qu'il est possible de créer de simples combinaisons linéaires de fonctions de base non linéaires, qui ont une précision comparable à celle des approches du réseau du noyau et du neural utilisées à l'origine. Les solutions linéaires peuvent prédire avec précision l'énergie de bande et de formation des oxydes conducteurs transparents, les états de spin des complexes métalliques de transition et l'énergie de formation des structures elpasolites. Nous démontrons comment les solutions linéaires peuvent fournir des modèles prédictifs interprétables et nous soulignons les nouvelles idées qui peuvent être trouvées lorsqu'un modèle peut être directement compris à partir de ses coefficients et de sa forme fonctionnelle.

Les approches d'apprentissage automatique peuvent révéler les facteurs physiques qui contrôlent les propriétés du matériel, menant à une compréhension scientifique plus approfondie et à des stratégies de conception de matériaux plus rationnelles.

Intégration à l'expérimentation à haut débit

Le potentiel de l'extraction de données dans la découverte de matériaux est pleinement réalisé lorsqu'elle est intégrée à des capacités expérimentales à haut débit. Cette approche en boucle fermée combine le dépistage computationnel, la synthèse ciblée, la caractérisation rapide et le raffinement itératif du modèle pour accélérer le processus de découverte.

Plateformes de synthèse automatisées

Les plateformes de synthèse robotique peuvent préparer un grand nombre d'échantillons de matériaux avec des compositions et des conditions de traitement systématiquement variées. Ces plateformes génèrent les données expérimentales nécessaires pour former et valider les modèles d'apprentissage automatique tout en testant les prédictions faites par ces modèles. La combinaison de synthèse automatisée et d'apprentissage automatique crée une boucle de rétroaction puissante qui peut rapidement converger vers des compositions de matériaux optimales.

Caractérisation de haut débit

Des techniques avancées de caractérisation qui peuvent rapidement mesurer les propriétés des matériaux sont essentielles pour générer les grands ensembles de données nécessaires à l'exploitation efficace des données. Les techniques telles que la diffraction des rayons X, la microscopie électronique, la spectroscopie et la mesure des propriétés peuvent être automatisées et parallélisées pour caractériser des centaines ou des milliers d'échantillons par jour.

Cycles d'apprentissage actifs

Les stratégies d'apprentissage actif utilisent les prédictions des modèles et les estimations d'incertitude pour choisir intelligemment quelles expériences effectuer ensuite. Plutôt que d'échantillonner au hasard l'espace des matériaux ou de suivre l'intuition humaine, les algorithmes d'apprentissage actif identifient les expériences qui fourniront le plus d'information pour améliorer la précision du modèle.

Applications industrielles et impact

L'exploitation des données n'est pas seulement un exercice académique, mais elle a des répercussions importantes sur l'innovation et la compétitivité industrielles. Les industries allant de l'aérospatiale et de l'automobile à l'électronique et à l'énergie adoptent des approches fondées sur les données pour accélérer le développement des matériaux et obtenir des avantages concurrentiels.

Industrie aérospatiale

L'industrie aérospatiale a été un premier à adopter la découverte de matériaux à base de données, en raison de la nécessité de matériaux qui combinent des performances exceptionnelles avec la réduction de poids. Les modèles d'apprentissage de la machine sont utilisés pour concevoir de nouveaux alliages d'aluminium, alliages de titane et matériaux composites pour les structures d'aéronefs.

Industrie de l'électronique et des semi-conducteurs

The electronics industry requires materials with precisely controlled electrical, thermal, and optical properties. Data mining is being applied to discover new semiconductor materials, dielectric materials, and thermal management materials for next-generation electronic devices. The ability to predict band gaps, carrier mobilities, and thermal conductivities from composition and structure enables rapid screening of candidate materials.

Stockage et conversion de l'énergie

La transition vers les énergies renouvelables nécessite des matériaux avancés pour les batteries, les piles à combustible, les cellules solaires et les dispositifs thermoélectriques. Les approches d'extraction des données accélèrent la découverte de nouveaux matériaux d'électrode, d'électrolytes, de catalyseurs et de matériaux photovoltaïques.

Industrie automobile

L'industrie automobile subit une transformation qui se fait par électrification, légèreté et durabilité. L'exploitation des données est appliquée pour découvrir de nouveaux matériaux structurels, matériaux de batterie et procédés de fabrication qui peuvent répondre aux exigences exigeantes des véhicules modernes. La capacité de contrôler rapidement des milliers de matériaux potentiels et de prédire leur performance dans diverses conditions est particulièrement précieuse dans cette industrie en mouvement rapide.

Extraction minière et extraction des ressources

Au cours des quatre derniers exercices, nos initiatives numériques et analytiques ont permis de réaliser plus de 2 milliards de dollars américains pour BHP. Cette valeur a couvert de nombreuses parties de la chaîne de valeur – de l'exploration aux opérations en passant par la logistique – mais nous avons à peine éraflé la surface et nous recherchons des partenaires qui peuvent nous aider à creuser plus profondément. L'industrie minière elle-même applique des techniques d'extraction de données et d'IA pour améliorer l'exploration, optimiser les opérations et prendre de meilleures décisions en matière d'extraction des ressources.

Défis et orientations futures

Malgré ses avantages, l'exploitation de données dans la découverte de matériaux est confrontée à plusieurs défis importants qui doivent être relevés pour réaliser le plein potentiel de cette approche. Comprendre ces défis et développer des solutions est un domaine de recherche actif qui façonnera l'avenir de l'informatique des matériaux.

Qualité et disponibilité des données

La qualité des prévisions d'apprentissage automatique dépend de façon critique de la qualité des données de formation.Les ensembles de données sur les matériaux contiennent souvent des erreurs, des incohérences et des valeurs manquantes qui peuvent dégrader les performances du modèle.Les données expérimentales peuvent être recueillies dans des conditions différentes ou en utilisant différentes techniques de mesure, ce qui rend difficile la combinaison de données provenant de sources multiples.

La disponibilité des données constitue un autre défi important.Bien que certaines propriétés matérielles aient été mesurées pour des milliers de composés, d'autres n'ont été caractérisées que pour une poignée de matériaux. Cette rareté des données rend difficile la formation de modèles d'apprentissage automatique précis pour certaines propriétés.

Intégration des ensembles de données hétérogéniques

Les données sur les matériaux proviennent de nombreuses sources différentes : mesures expérimentales, simulations de calcul, littérature, brevets et bases de données industrielles exclusives.Ces ensembles de données utilisent différents formats, unités et conventions, ce qui rend l'intégration difficile. Historiquement, beaucoup d'informations géologiques ont été stockées dans des formats difficiles à rechercher ou à intégrer, des rapports numérisés aux ensembles de données fragmentés accumulés au cours des décennies.

L'élaboration de formats de données normalisés et d'ontologies pour les données sur les matériaux est un effort continu dans la communauté informatique des matériaux. Des initiatives comme le consortium OPTIMADE travaillent à créer des API communes pour accéder aux bases de données sur les matériaux, tandis que des efforts comme la Facilité de données sur les matériaux développent une infrastructure pour partager et découvrir des ensembles de données sur les matériaux.

Nécessité de modèles d'interprétation

Bien que les modèles d'apprentissage par machine à boîte noire puissent atteindre une précision de prédiction élevée, ils fournissent une compréhension limitée des principes physiques et chimiques régissant le comportement matériel. Pour la compréhension scientifique et la conception rationnelle des matériaux, les modèles interprétables qui révèlent les relations structure-propriété sous-jacentes sont très précieux.

La régression symbolique, l'extraction des règles et les mécanismes d'attention font partie des techniques qui sont explorées pour rendre les modèles d'apprentissage automatique plus compréhensibles, et qui visent à extraire des règles et des relations compréhensibles par l'homme des modèles formés, en comblant l'écart entre la prédiction et la compréhension.

Validation et confirmation expérimentale

Les prédictions de l'apprentissage automatique doivent être validées par synthèse et caractérisation expérimentales. Cependant, tous les matériaux prévus ne peuvent pas être synthétisés à l'aide des techniques actuelles, et certaines prédictions peuvent être des artefacts de limites de modèles plutôt que de véritables découvertes.

Une collaboration étroite entre les chercheurs en calcul et les chercheurs expérimentaux est essentielle pour la découverte réussie de matériaux. Les prédictions informatiques devraient être conçues pour être testables expérimentalement, et les résultats expérimentaux devraient se régénérer dans le raffinement du modèle.

Gestion de l'optimisation multi-objectif

Les applications de matériaux du monde réel exigent généralement l'optimisation de propriétés multiples, souvent contradictoires. Par exemple, un matériau structurel peut devoir être solide, léger, résistant à la corrosion et peu coûteux à fabriquer. Les approches de l'extraction de données doivent être capables de gérer ces problèmes d'optimisation multi-objectifs et identifier les matériaux qui représentent des compromis optimaux entre les exigences concurrentes.

L'optimisation de Pareto, les algorithmes évolutifs multi-objectifs et d'autres techniques de recherche opérationnelle peuvent être intégrés à l'apprentissage automatique pour résoudre les problèmes de conception de matériaux multi-objectifs.Ces approches peuvent identifier des ensembles de solutions non dominées qui représentent différents compromis entre les objectifs, permettant aux concepteurs de matériaux de choisir la solution la plus appropriée pour leur application spécifique.

Incorporer les relations traitement-structure-propriété

Les propriétés des matériaux dépendent non seulement de la composition et de la structure cristalline, mais aussi de l'historique du traitement et de la microstructure. Une composition donnée peut présenter des propriétés très différentes selon la façon dont elle a été synthétisée, traitée thermiquement et mécaniquement.

Recent work has begun to address this challenge by developing models that incorporate processing parameters alongside composition and structure information. These models can predict how processing conditions affect microstructure and how microstructure influences properties, providing a more complete picture of material behavior.

Technologies émergentes et possibilités futures

L'intégration de l'intelligence artificielle, de l'analyse des mégadonnées et de l'expérimentation à haut débit promet d'accélérer la découverte de matériaux nouveaux, de transformer les industries et de stimuler l'innovation.

Modèles de conception de matériaux

Les modèles d'apprentissage automatique, tels que les autoencodeurs variationnels et les réseaux d'adversaires générateurs, peuvent créer de nouvelles structures et compositions de matériaux qui n'ont jamais été vues auparavant. Plutôt que de simplement cribler les matériaux existants ou de faire de petites modifications aux composés connus, les modèles générateurs peuvent explorer de nouvelles régions entièrement de l'espace de matériaux et proposer des matériaux vraiment nouveaux avec les propriétés souhaitées.

Ces modèles apprennent les modèles et les règles qui régissent les structures matérielles à partir des données de formation, puis utilisent ces connaissances pour générer de nouvelles structures qui suivent les mêmes modèles tout en présentant de nouvelles combinaisons de caractéristiques. Cette approche a le potentiel de découvrir des matériaux que les chercheurs humains ne pourraient jamais concevoir par des stratégies de conception conventionnelles.

Traitement des langues naturelles pour l'exploitation de la littérature

Les techniques de traitement du langage naturel peuvent extraire des données structurées de textes non structurés, permettant aux chercheurs de tirer parti de décennies de recherches publiées dans leurs efforts d'extraction de données. L'extraction de texte peut identifier des tendances, extraire des valeurs de propriété et découvrir des relations qui couvrent de multiples publications.

Les progrès récents dans les grands modèles linguistiques ont ouvert de nouvelles possibilités d'extraction de la littérature et de connaissances, qui peuvent comprendre le texte scientifique, répondre aux questions sur les propriétés des matériaux et même suggérer de nouvelles orientations de recherche basées sur les modèles de la littérature.

Systèmes autonomes de découverte des matériaux

La vision ultime de la découverte de matériaux à base de données est des systèmes entièrement autonomes qui peuvent concevoir, synthétiser, caractériser et optimiser les matériaux avec une intervention humaine minimale. Ces systèmes intégreraient des modèles d'apprentissage automatique, des plates-formes de synthèse robotique, des outils de caractérisation automatisés et des algorithmes d'apprentissage actifs dans un pipeline de découverte en boucle fermée.

Plusieurs groupes de recherche et entreprises travaillent à cette vision, développant des prototypes de laboratoires autonomes capables de réaliser des cycles de découverte complets. Bien que la découverte entièrement autonome demeure un objectif futur, ces systèmes démontrent déjà le potentiel d'accélérer considérablement le développement des matériaux.

Calcul quantique pour la simulation des matériaux

Les ordinateurs quantiques ont le potentiel de révolutionner la simulation des matériaux en permettant des calculs mécaniques quantiques précis pour les systèmes qui sont insolubles pour les ordinateurs classiques. À mesure que la technologie de calcul quantique mûrit, elle pourrait fournir de nouvelles sources de données de formation de haute qualité pour les modèles d'apprentissage automatique et permettre des prédictions plus précises des propriétés matérielles.

L'intégration du calcul quantique à l'apprentissage automatique, parfois appelé apprentissage quantique, est un domaine émergent qui peut offrir des avantages pour certains types de problèmes de matériaux.

Intégration avec la fabrication additive

Les technologies de fabrication additive (3D) permettent la création de matériaux avec des compositions complexes et des microstructures qui ne peuvent être obtenues par le traitement conventionnel. La combinaison de l'extraction de données pour la conception de matériaux avec la fabrication additive pour la synthèse de matériaux crée de nouvelles possibilités de découvrir et de déployer de nouveaux matériaux.

Les modèles d'apprentissage automatique peuvent être formés pour prédire comment les paramètres de processus de fabrication additive affectent la microstructure et les propriétés des matériaux, ce qui permet d'optimiser la composition des matériaux et les conditions de transformation.

Plateformes de collaboration et partage de données

L'avenir de la découverte de matériaux dépendra de plus en plus de plateformes collaboratives qui permettent aux chercheurs de partager des données, des modèles et des ressources informatiques. Les bases de données de matériaux libres, les modèles d'apprentissage automatique partagés et les plateformes informatiques basées sur le cloud peuvent démocratiser l'accès aux outils d'extraction de données et accélérer les progrès sur le terrain.

Les initiatives visant à promouvoir le partage et la normalisation des données sont essentielles pour réaliser cette vision.Bien que les préoccupations concernant la propriété intellectuelle et l'avantage concurrentiel puissent créer des obstacles au partage des données, les avantages de la collaboration, en particulier pour la recherche préconcurrentielle, sont de plus en plus reconnus par les chercheurs universitaires et industriels.

Meilleures pratiques pour appliquer l'exploitation de données à la découverte de matériaux

Pour les chercheurs et les organismes qui cherchent à appliquer les techniques d'extraction de données à la découverte de matériaux, plusieurs pratiques exemplaires peuvent contribuer à assurer le succès :

Commencez par des objectifs clairs

Définir des objectifs précis pour l'effort de découverte des matériaux, y compris les propriétés cibles, les exigences de rendement et les contraintes. Des objectifs clairs aident à guider la collecte de données, le développement de modèles et les efforts de validation expérimentale.

Investir dans l'infrastructure de données

La création de ensembles de données de haute qualité exige des investissements importants dans la collecte, la conservation et la gestion des données.

Combiner plusieurs sources de données

Tirer parti des données expérimentales, des simulations de calcul, des informations documentaires et des connaissances du domaine pour créer des ensembles de données complets. Différentes sources de données fournissent des informations complémentaires et peuvent améliorer la précision et la robustesse des modèles.

Utiliser des stratégies de validation appropriées

Mettre en œuvre des procédures de validation rigoureuses pour évaluer les performances des modèles et éviter les surajustements. Utiliser des techniques telles que la validation croisée, les ensembles de tests de retenue et la validation sur des ensembles de données indépendants pour s'assurer que les modèles se généralisent bien aux nouveaux matériaux.

Intégrer les connaissances du domaine

Si l'apprentissage automatique peut découvrir les modèles automatiquement, intégrer les connaissances du domaine de la science des matériaux peut améliorer la performance du modèle et l'interprétation. Utilisez des caractéristiques physiquement significatives, imposer des contraintes basées sur des lois physiques connues, et valider les prédictions par rapport à la compréhension scientifique.

Il faut s'en tenir à l'expérience et à l'informatique

Concevoir des flux de travail de découverte qui iternisent entre la prédiction computationnelle et la validation expérimentale. Utiliser des modèles computationnels pour sélectionner un grand nombre de candidats et prioriser les efforts expérimentaux, puis utiliser des résultats expérimentaux pour affiner et améliorer les modèles.

Mettre l'accent sur l'interprétation

Dans la mesure du possible, utiliser des modèles d'apprentissage automatique interprétables ou appliquer des techniques d'interprétation pour comprendre les modèles qui ont été appris. Les modèles d'interprétation fournissent des données scientifiques et renforcent la confiance dans les prédictions.

Considérations éthiques et sociétales

À mesure que l'exploitation des données devient de plus en plus essentielle pour la découverte des matériaux, il importe de tenir compte des implications éthiques et sociétales de cette technologie, et il faut examiner attentivement les questions de propriété des données, de propriété intellectuelle, d'accès équitable aux outils et aux ressources et d'impact environnemental de la mise au point des matériaux.

Les principes scientifiques ouverts, qui mettent l'accent sur le partage et la transparence des données, peuvent contribuer à assurer une large diffusion des avantages de la découverte de matériaux fondés sur les données.

L'évaluation du cycle de vie, les mesures de durabilité et les considérations d'impact social peuvent être intégrées dans des cadres d'optimisation multi-objectifs afin de s'assurer que les efforts de découverte des matériaux cadrent avec des objectifs plus larges de la société.

Conclusion

Les techniques d'extraction de données sont devenues des outils puissants pour découvrir de nouveaux matériaux et compositions industriels, offrant ainsi la possibilité d'accélérer considérablement le rythme de l'innovation en matériaux. En tirant parti de grands ensembles de données provenant d'expériences, de simulations et de littérature, les modèles d'apprentissage automatique peuvent identifier des candidats prometteurs, prédire les propriétés et orienter les efforts expérimentaux plus efficacement que les approches traditionnelles d'essai et d'erreur.

Le champ a déjà fait preuve de succès dans la découverte de nouveaux alliages, polymères, composites et matériaux fonctionnels dans divers domaines d'application. À mesure que la disponibilité des données augmente, les algorithmes s'améliorent et l'intégration avec l'expérimentation à haut débit s'accentue, l'impact de l'extraction des données sur la découverte des matériaux continuera de croître.

Toutefois, des défis importants demeurent, notamment la qualité et la disponibilité des données, l'intégration de ensembles de données hétérogènes, l'interprétation des modèles et la validation des prévisions.

En attendant, l'intégration de techniques avancées d'apprentissage automatique, d'expérimentation autonome et de plateformes de données collaboratives promet d'ouvrir une nouvelle ère de découverte accélérée des matériaux.Cette transformation a le potentiel de relever les défis sociétaux critiques dans les domaines de l'énergie, de la durabilité, des soins de santé et de la fabrication avancée en fournissant les nouveaux matériaux nécessaires aux technologies de prochaine génération.

Pour les chercheurs et les organisations qui s'occupent de la mise au point de matériaux, l'adoption d'approches fondées sur les données n'est plus facultative, elle devient essentielle pour rester compétitive dans un domaine de plus en plus rapide. En combinant la puissance de l'extraction de données avec l'expertise du domaine, les capacités expérimentales et l'orientation claire de l'application, la communauté des matériaux scientifiques peut libérer de nouvelles possibilités d'innovation et créer les matériaux avancés qui façonneront notre avenir technologique.

Pour en savoir plus sur l'informatique des matériaux et la découverte axée sur les données, visitez le Projet sur les matériaux, explorez les ressources de Initiative sur le génome des matériaux[, ou consultez les dernières recherches dans des revues comme npj Matériaux informatiques[. Le domaine de l'exploitation des données sur les matériaux continue d'évoluer rapidement, offrant aux chercheurs des possibilités intéressantes à toutes les étapes de leur carrière de contribuer à cette approche transformatrice de la découverte des matériaux.