Des chercheurs de l’Université des sciences et technologies de Hong Kong (HKUST) et de l’Université Tongji ont développé FerroAI, un modèle d’apprentissage en profondeur capable de produire des diagrammes de phases pour les matériaux ferroélectriques en seulement 20 secondes.
Grâce à FerroAI, l’équipe a découvert un nouveau matériau ferroélectrique doté d’une constante diélectrique exceptionnellement élevée de 11 051, ce qui représente une avancée significative dans la recherche sur les matériaux ferroélectriques pilotée par l’IA. Leurs conclusions, publiées dans la revue Matériaux informatiques npjproposent une approche innovante pour accélérer la conception et la découverte de matériaux fonctionnels.
Cette étude, intitulée « FerroAI : un modèle d'apprentissage profond pour prédire les diagrammes de phase des matériaux ferroélectriques », a été menée conjointement par le professeur Sherry Chen Xian (auteur co-correspondant), professeur agrégé du département de génie mécanique et aérospatial, HKUST, et le Dr Zhang Chenbo (premier auteur et auteur co-correspondant), chercheur à l'École des sciences et de l'ingénierie physiques et au laboratoire clé du MOE sur les matériaux micro-structurés avancés, Université de Tongji, et Doctorat 2019. diplômé de HKUST.
Les matériaux ferroélectriques sont largement utilisés dans les capteurs, les dispositifs de mémoire et les applications de récupération d'énergie en raison de leurs propriétés électriques distinctives. Leurs performances dépendent essentiellement des structures cristallines, dont l’évolution est généralement caractérisée par des diagrammes de phase composition-température.
Les approches conventionnelles pour construire ces diagrammes nécessitent la synthèse de nombreux échantillons, suivie de tests expérimentaux et d’analyses informatiques approfondis. Un tel processus s’étend généralement sur des mois ou des années. Des stratégies plus efficaces pour la construction de diagrammes de phases et la prédiction des matériaux sous-tendent l'horizon de la recherche fondamentale dans la communauté ferroélectrique.
Les précédentes approches d'apprentissage automatique pouvaient prédire les transitions de phase pour des systèmes de matériaux spécifiques, mais manquaient de capacité de généralisation suffisante pour capturer avec précision les caractéristiques latentes de diverses familles de matériaux. Pour remédier à cette limitation, l'équipe de recherche a extrait des données de plus de 40 000 articles publiés pour construire une base de données complète sur la transformation de phase englobant des milliers de systèmes ferroélectriques. Grâce à des techniques avancées d’augmentation des données et à des stratégies intelligentes d’optimisation des paramètres, l’équipe a développé et formé le modèle d’apprentissage en profondeur FerroAI.
La validation expérimentale a démontré que FerroAI atteint une précision de prédiction de plus de 80 % sur plusieurs structures cristallines tout en fournissant un aperçu des rôles critiques de divers éléments dopants sur des sites de réseau spécifiques. Il est remarquable que les tâches qui nécessitent traditionnellement des mois de travail de développement de matériaux puissent désormais être réalisées par l’IA en seulement 20 secondes.
Le professeur Chen a déclaré : « Cette étude démontre l'importance d'ensembles de données de haute qualité. En outre, le succès de la prédiction des diagrammes de phases suggère que le paradigme de recherche en science des matériaux est remodelé par l'IA, qui favorise la découverte rapide de nouveaux matériaux fonctionnels.
Cette réalisation représente une avancée importante de l’équipe dans le domaine des matériaux intelligents. Pour la première fois, une intégration étroite de la prédiction des transitions de phase et de la validation expérimentale dans tous les systèmes de matériaux a été réalisée. Cela montre l’énorme potentiel de l’IA pour accélérer à la fois la science fondamentale et la recherche appliquée.
