Recevez chaque jour toute l'actualité du numérique

x

Grâce au machine learning, des chercheurs arrivent à prédire instantanément la résistance des matériaux

Des chercheurs ont mis au point une méthode capable de prédire la défaillance d'un matériau en seulement quelques secondes. La technique de simulation, appelée "dynamique moléculaire", a été optimisée grâce à un modèle d'apprentissage automatique. Une modélisation ne prend désormais que quelques millisecondes contre plusieurs heures habituellement.
Twitter Facebook Linkedin Flipboard Email
×

Grâce au machine learning, des chercheurs arrivent à prédire instantanément la résistance des matériaux
Grâce au machine learning, des chercheurs arrivent à prédire instantanément la résistance des matériaux © Mahdis Mousavi-Unsplash

Des chercheurs ont développé une nouvelle méthode pour prédire le processus de rupture d'un matériau à l'aide de techniques de machine learning. L'objectif est notamment de pouvoir facilement connaître sa résistance aux chocs. Cette information est souvent indispensable pour les grands projets d'ingénierie. Les travaux ont été publiés le 20 mai 2020 dans la revue Matter. Cette recherche a été financée par l'US Office of Naval Research et l'Army Research Laboratory.

Un processus fastidieux

Pour prédire la façon dont un matériau se brise, les scientifiques utilisent la dynamique moléculaire, une technique de simulation numérique permettant de modéliser l'évolution d'un système de particules au cours du temps. En pratique, cette méthode consiste à simuler le mouvement d'un ensemble de quelques dizaines à quelques milliers de particules dans un certain environnement (température, pression…). Mais ce processus est très lent car il nécessite de résoudre des équations du mouvement pour chaque atome. Raison pour laquelle l'équipe de scientifiques a décidé d'explorer des moyens de rationaliser ce processus en utilisant un modèle d'apprentissage automatique.

"En quelque sorte, nous faisons un détour", schématise Markus J. Buehler, un des auteurs de la publication. "Nous nous sommes demandés ce qui se passerait si nous observions simplement comment la facture d'un matériau choisi se produit en laissant les ordinateurs apprendre eux-mêmes ?", poursuit-il. Pour se faire, le système d'apprentissage automatique a besoin d'une variété d'exemples pour apprendre les corrélations existantes entre les caractéristiques d'un matériau et son comportement dans une situation donnée.

Une nouvelle façon de simuler la défaillance des matériaux

Dans l'étude, les scientifiques examinent une variété de revêtements composites et stratifiés faits de matériaux cristallins. "Nous simulons, atome par atome, la façon dont les matériaux se brisent et nous enregistrons ces informations", raconte Markus J. Buehler. Ils ont généré des centaines de simulations de ce type avec une grande variété de structures et ont soumis chacune d'entre elles à de nombreuses simulations de différentes fractures. Ils ont ensuite introduit l'ensemble de ces données dans leur modèle d'apprentissage automatique pour voir s'il pouvait prédire les performances d'un nouveau matériau qui ne faisait pas partie du groupe de données initial ."La simulation informatique par IA peut faire ce qui prend normalement beaucoup de temps en utilisant la dynamique moléculaire...C'est donc une toute nouvelle façon de simuler la défaillance des matériaux", se réjouit Markus J. Buehler.

 

Une simulation modélisant la propagation d'une fissure


Le temps habituellement nécessaire pour faire une simulation est considérablement réduit. Yu-Chuan Hsu, un des auteurs de l'étude, explique que "pour des simulations uniques en dynamique moléculaire, il faut plusieurs heures pour exécuter les simulations. Grâce à l'IA, il ne faut plus que 10 millisecondes pour parcourir toutes les prédictions des modèles et montrer comment une fissure se forme par étape".

Applicable à la fracture osseuse

Ce système pourrait être utilisé pour développer des revêtements protecteurs ou des matériaux structuraux plus solides, par exemple pour protéger les avions ou les véhicules spatiaux des impacts. Les défaillances de matériaux telles que les fractures sont "l'une des principales causes de pertes dans l'industrie. Pour inspecter des avions, des trains, des voitures, des routes (...) ou pour comprendre la fracture de tissus biologiques tels que les os, la capacité de simuler la fracture avec l'IA est un vrai changement", note Markus J.Buelher.

Réagir

* Les commentaires postés sur L’Usine Digitale font l’objet d’une modération par l’équipe éditoriale.

 
media