Germain
[ad_1]
DES CHARGES IMPORTANTE DANS LA CONCEPTION DE MATÉRIAUX AVEC UNE APPROCHE EN APPRENTISSAGE MACHINE
DES MATÉRIAUX À PROPRIÉTÉS SPÉCIFIQUES GRÂCE À L’APPRENTISSAGE MACHINE
L’Utilisation de l’apprentissage machine pour prédire les propriétés des matériaux
Dans cet article, nous abordons le Développement de matériaux possédant les propriétés requises pour effectuer des fonctions spécifiques est un défi auquel sont confrontés les chercheurs travaillant dans des domaines allant de la catalyse aux cellules solaires. Afin d’accélérer les processus de développement, des approches de modélisation peuvent être utilisées pour prédire des informations et orienter les améliorations. Des chercheurs de l’Institut des sciences industrielles de l’Université de Tokyo ont développé un modèle d’apprentissage machine pour déterminer les caractéristiques des matériaux liés et adsorbés en fonction des paramètres des composants individuels. Leurs résultats ont été publiés dans Applied Physics Express.
L’IMPORTANCE DE POUVOIR PRÉDIRE LES PROPRIÉTÉS DES MATÉRIAUX
Les facteurs tels que la longueur et la force des liaisons entre les matériaux jouent un rôle crucial dans la détermination des structures et des propriétés que nous expérimentons à l’échelle macroscopique. La capacité de prédire facilement ces caractéristiques est donc précieuse lors de la conception de nouveaux matériaux.
Le DENSITY OF STATES (DOS) en tant que paramètre clé
La densité d’états (Density of states ou DOS, en anglais) est un paramètre qui peut être calculé pour les atomes, les molécules et les matériaux individuels. En termes simples, il décrit les options disponibles pour les électrons qui s’organisent dans un matériau. Une approche de modélisation capable de prendre en compte ces informations pour des composants sélectionnés et de produire des données utiles pour le produit désiré – sans avoir besoin de créer et d’analyser le matériau – est un outil attractif.
PRÉDICTION DATANT DE PLUSIEURS DIFFÉRENTES PROPRIÉTÉS
Les chercheurs ont utilisé une approche d’apprentissage machine – où le modèle affine sa réponse sans intervention humaine – pour prédire quatre propriétés différentes des produits à partir des informations sur le DOS des composants individuels. Bien que le DOS ait déjà été utilisé en tant que descripteur pour établir des paramètres uniques, c’est la première fois que plusieurs propriétés différentes sont prédites.
UNE PRÉCISION IMPRESSIONNANTE
“Nous avons pu prédire quantitativement l’énergie de liaison, la longueur de liaison, le nombre d’électrons covalents et l’énergie de Fermi après liaison pour trois types différents de systèmes”, explique Eiki Suzuki, premier auteur de l’étude. “Et nos prédictions étaient très précises pour toutes les propriétés”.
UN MODÈLE GÉNÉRAL ET APPLICABLE À DIVERS SYSTÈMES
Grâce à sa simplicité de calcul par rapport aux systèmes liés, l’analyse du DOS d’un état isolé est relativement efficace. De plus, le modèle de réseau neuronal utilisé a bien fonctionné même lorsque seulement 20% de l’ensemble de données a été utilisé pour l’entraînement.
“Un avantage significatif de notre modèle est qu’il est général et peut être appliqué à une grande variété de systèmes”, explique Teruyasu Mizoguchi, auteur correspondant de l’étude. “Nous pensons que nos découvertes pourraient contribuer de manière significative à de nombreux processus de développement, par exemple dans la catalyse, et pourraient être particulièrement utiles dans les domaines de recherche émergents tels que les nano-clusters et les nanofils”.
Conclusion et sources :
En conclusion, les chercheurs de l’Institut des sciences industrielles de l’Université de Tokyo ont développé un modèle d’apprentissage machine permettant de prédire les propriétés de liaison de différents matériaux. Cette nouvelle approche pourrait accélérer le processus de développement de nouveaux matériaux dans des domaines tels que la catalyse et les nanostructures. L’étude a été publiée dans Applied Physics Express.
Source : [https://www.eurekalert.org/multimedia/580672](https://www.eurekalert.org/multimedia/580672)
[ad_2]
