Les réseaux de neurones facilitent l’optimisation dans la recherche de nouveaux matériaux

Les réseaux de neurones facilitent l'optimisation dans la recherche de nouveaux matériaux

Un processus itératif en plusieurs étapes pour la formation d’un réseau de neurones, comme illustré en haut à gauche, conduit à une évaluation des compromis entre deux qualités concurrentes, comme illustré dans le graphique au centre. La ligne bleue représente un front dit de Pareto, définissant les cas au-delà desquels la sélection des matériaux ne peut plus être améliorée. Cela permet d’identifier des catégories spécifiques de nouveaux matériaux prometteurs, comme celui représenté par le diagramme moléculaire à droite. Crédit: Massachusetts Institute of Technology

Lors de la recherche dans des listes théoriques de nouveaux matériaux possibles pour des applications particulières, telles que des batteries ou d’autres appareils liés à l’énergie, il y a souvent des millions de matériaux potentiels qui pourraient être pris en compte, et de multiples critères qui doivent être satisfaits et optimisés à la fois. Maintenant, les chercheurs du MIT ont trouvé un moyen de rationaliser considérablement le processus de découverte, en utilisant un système d’apprentissage automatique.

À titre de démonstration, l’équipe est arrivée à un ensemble des huit matériaux les plus prometteurs, sur près de 3 millions de candidats, pour un système de stockage d’énergie appelé batterie à flux. Ce processus d’abattage aurait pris 50 ans par les méthodes analytiques conventionnelles, disent-ils, mais ils l’ont accompli en cinq semaines.

Les résultats sont rapportés dans le journal ACS Central Science, dans un article de Heather Kulik, professeur de génie chimique au MIT, Jon Paul Janet Ph.D. ’19, Sahasrajit Ramesh, et l’étudiant diplômé Chenru Duan.

L’étude a examiné un ensemble de matériaux appelés complexes de métaux de transition. Ceux-ci peuvent exister sous un grand nombre de formes différentes, et Kulik dit qu’ils “sont des matériaux vraiment fascinants et fonctionnels qui ne ressemblent pas à beaucoup d’autres phases matérielles. La seule façon de comprendre pourquoi ils fonctionnent ainsi est de les étudier en utilisant le quantum mécanique.”

Pour prédire les propriétés de l’un quelconque de millions de ces matériaux, il faudrait soit une spectroscopie et d’autres travaux de laboratoire longs et gourmands en ressources, soit une modélisation informatique très complexe et longue en fonction de la physique pour chaque matériau candidat ou combinaison de matériaux possible. Chacune de ces études pourrait consommer des heures à des jours de travail.

Au lieu de cela, Kulik et son équipe ont pris un petit nombre de matériaux possibles différents et les ont utilisés pour enseigner à un réseau neuronal d’apprentissage automatique avancé la relation entre les compositions chimiques des matériaux et leurs propriétés physiques. Cette connaissance a ensuite été appliquée pour générer des suggestions pour la prochaine génération de matériaux possibles à utiliser pour la prochaine session de formation du réseau neuronal. Grâce à quatre itérations successives de ce processus, le réseau neuronal s’est amélioré de manière significative à chaque fois, jusqu’à atteindre un point où il était clair que de nouvelles itérations n’apporteraient aucune amélioration supplémentaire.

Ce système d’optimisation itérative a considérablement rationalisé le processus de recherche de solutions potentielles qui répondaient aux deux critères contradictoires recherchés. Ce type de processus de recherche des meilleures solutions dans les situations où l’amélioration d’un facteur tend à aggraver l’autre est connu sous le nom de front de Pareto, représentant un graphique des points de sorte que toute amélioration supplémentaire d’un facteur aggraverait l’autre. En d’autres termes, le graphique représente les meilleurs points de compromis possibles, selon l’importance relative attribuée à chaque facteur.

La formation de réseaux de neurones typiques nécessite grands ensembles de données, allant de milliers à des millions d’exemples, mais Kulik et son équipe ont pu utiliser ce processus itératif, basé sur le modèle de front de Pareto, pour rationaliser le processus et fournir des résultats fiables en utilisant seulement quelques centaines d’échantillons.

Dans le cas du criblage des matériaux de la batterie à écoulement, les caractéristiques souhaitées étaient en conflit, comme c’est souvent le cas: le matériau optimal aurait une solubilité élevée et une densité d’énergie élevée (la capacité de stocker de l’énergie pour un poids donné). Mais l’augmentation de la solubilité a tendance à diminuer la densité d’énergie et vice versa.

Non seulement le réseau neuronal a pu trouver rapidement des candidats prometteurs, mais il a également pu attribuer des niveaux de confiance à ses différentes prédictions à chaque itération, ce qui a permis d’affiner la sélection de l’échantillon à chaque étape. “Nous avons développé une technique de quantification de l’incertitude meilleure que la meilleure de sa catégorie pour vraiment savoir quand ces modèles allaient échouer”, explique Kulik.

Le défi qu’ils ont choisi pour l’essai de preuve de concept était les matériaux à utiliser dans les batteries à flux redox, un type de batterie prometteur pour les grandes batteries à l’échelle du réseau qui pourraient jouer un rôle important pour permettre une énergie propre et renouvelable. Les complexes de métaux de transition sont la catégorie préférée de matériaux pour de telles batteries, dit Kulik, mais il y a trop de possibilités à évaluer par des moyens conventionnels. Ils ont commencé avec une liste de 3 millions de tels complexes avant de finalement réduire cela aux huit bons candidats, ainsi qu’un ensemble de règles de conception qui devraient permettre aux expérimentateurs d’explorer le potentiel de ces candidats et leurs variations.

“Grâce à ce processus, le réseau neuronal devient de plus en plus intelligent [design] l’espace, mais aussi de plus en plus pessimiste que tout ce qui dépasse ce que nous avons déjà caractérisé peut encore améliorer ce que nous savons déjà “, dit-elle.

Outre les complexes de métaux de transition spécifiques suggérés pour une enquête plus approfondie en utilisant ce système, dit-elle, la méthode elle-même pourrait avoir des applications beaucoup plus larges. “Nous le considérons comme le cadre qui peut être appliqué à n’importe quel défi de conception de matériaux où vous essayez vraiment de répondre à plusieurs objectifs à la fois. Vous savez, tous les défis de conception de matériaux les plus intéressants sont ceux où vous avez une chose que vous ‘ re essayant de s’améliorer, mais une amélioration qui en aggrave une autre. Et pour nous, le couple redox flow redox était juste une bonne démonstration de ce que nous pensons pouvoir faire avec ce machine learning et la découverte accélérée de matériaux. “

Par exemple, l’optimisation des catalyseurs pour divers processus chimiques et industriels est un autre type de recherche de matériaux aussi complexes, dit Kulik. Les catalyseurs actuellement utilisés impliquent souvent des éléments rares et coûteux, donc la découverte de composés efficaces similaires à base de matériaux abondants et peu coûteux pourrait être un avantage significatif.

“Ce document représente, je crois, la première application de l’amélioration dirigée multidimensionnelle en sciences chimiques”, dit-elle. Mais l’importance à long terme du travail réside dans la méthodologie elle-même, en raison de choses qui ne seraient pas possibles du tout autrement. “Vous commencez à réaliser que même avec des calculs parallèles, ce sont des cas où nous n’aurions pas trouvé un principe de conception d’une autre manière. Et ces pistes qui sortent de notre travail, ce ne sont pas nécessairement des idées qui étaient déjà connus de la littérature ou qu’un expert aurait pu vous indiquer. “

«Il s’agit d’une belle combinaison de concepts en statistique, en mathématiques appliquées et en sciences physiques qui sera extrêmement utile dans les applications d’ingénierie», explique George Schatz, professeur de chimie et de génie chimique et biologique à la Northwestern University, qui n’était pas associés à ce travail. Il dit que cette recherche porte sur “comment faire l’apprentissage automatique lorsqu’il y a plusieurs objectifs. L’approche de Kulik utilise des méthodes de pointe pour former un artificiel réseau neuronal qui est utilisé pour prédire quelle combinaison d’ions de métaux de transition et de ligands organiques sera la meilleure pour les électrolytes de batterie à flux redox. “

Schatz dit: “Cette méthode peut être utilisée dans de nombreux contextes différents, elle a donc le potentiel de transformer l’apprentissage automatique, qui est une activité majeure dans le monde.”


Des chercheurs utilisent une technique d’apprentissage automatique pour évaluer rapidement de nouveaux composés de métaux de transition


Plus d’information:
Jon Paul Janet et al. Conception multiobjective précise dans un espace de millions de complexes de métaux de transition avec une optimisation globale efficace pilotée par les réseaux de neurones, ACS Central Science (2020). DOI: 10.1021 / acscentsci.0c00026

Fourni par
Massachusetts Institute of Technology

Cette histoire est republiée avec la permission de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l’actualité de la recherche, de l’innovation et de l’enseignement au MIT.

Citation:
                                                 Les réseaux de neurones facilitent l’optimisation dans la recherche de nouveaux matériaux (2020, 26 mars)
                                                 récupéré le 26 mars 2020
                                                 depuis https://techxplore.com/news/2020-03-neural-networks-optimization-materials.html

Ce document est soumis au droit d’auteur. Hormis toute utilisation équitable aux fins d’études ou de recherches privées, aucun
                                            une partie peut être reproduite sans autorisation écrite. Le contenu est fourni seulement pour information.

Source

A propos newstrotteur-fr

Découvrez également

Call of Duty League reprend les tournois e-sport en ligne seulement à partir du 10 avril

le Call of Duty League s’est éloigné des événements en direct, mais il reprendra les …

Laisser un commentaire