Comprendre les propriétés des différents matériaux est une étape importante dans la conception des matériaux. La spectroscopie d'absorption des rayons X (XAS) est une technique importante à cet égard, car elle révèle des informations détaillées sur la composition, la structure et les caractéristiques fonctionnelles d'un matériau. La technique fonctionne en dirigeant un faisceau de rayons X à haute énergie vers un échantillon et en enregistrant la manière dont les rayons X de différents niveaux d’énergie sont absorbés.
Semblable à la façon dont la lumière blanche se divise en arc-en-ciel après avoir traversé un prisme, XAS produit un spectre de rayons X avec différentes énergies. Ce spectre est appelé donnée spectrale, qui agit comme une empreinte digitale unique d'un matériau, aidant les scientifiques à identifier les éléments présents dans le matériau et à voir comment les atomes sont disposés. Cette information, appelée « état électronique », détermine les propriétés fonctionnelles des matériaux.
Les composés du bore ont des applications importantes dans les semi-conducteurs, les dispositifs Internet des objets (IoT) et le stockage d'énergie. Dans ces matériaux, les modifications atomiques, les défauts structurels, les impuretés et les éléments dopés produisent chacun des variations uniques et complexes des données spectrales. Des analyses détaillées de ces variations fournissent des informations clés sur leur état électronique et sont cruciales pour la conception rationnelle des matériaux. Toutefois, traditionnellement, de telles analyses nécessitaient une expertise approfondie et un travail manuel, en particulier lorsqu'il s'agissait d'examiner visuellement de grands ensembles de données.
Le manque de données de référence préalables et la subjectivité des interprétations ont rendu la tâche encore plus difficile. Développer une approche automatisée capable d'établir un lien clair et objectif entre les données XAS et les propriétés des matériaux sous-jacents est un défi de longue date.
Aujourd'hui, une équipe de recherche dirigée par le professeur Masato Kotsugi du Département de science et technologie des matériaux de l'Université des sciences de Tokyo (TUS), au Japon, a franchi une étape prometteuse vers cet objectif. Ensemble, Mme Reika Hasegawa et le Dr Arpita Varadwaj, tous deux de TUS et qui ont dirigé l'étude, ont développé une approche automatisée basée sur l'intelligence artificielle (IA) pour analyser les données XAS.
« Les méthodes basées sur les données basées sur l'IA, telles que l'apprentissage automatique, peuvent être des outils puissants pour analyser et interpréter efficacement les données de mesure, fournissant ainsi des informations objectives », explique le professeur Kotsugi. L'étude a été publiée dans la revue Rapports scientifiques.
L’équipe a d’abord généré des données XAS pour trois phases différentes de nitrure de bore (BN) avec différentes structures atomiques, ainsi que leurs analogues de défauts. Les données XAS ont été générées à l'aide de calculs théoriques basés sur la physique fondamentale et validées à l'aide de données expérimentales.
Pour analyser ces données, l’équipe a ensuite utilisé des techniques d’apprentissage automatique utilisant la réduction de dimensionnalité. Dans cette méthode, des données très complexes comportant de nombreuses variables sont réduites à leurs éléments fondamentaux, capturant uniquement leurs caractéristiques essentielles. Dans XAS, où un ensemble de données peut contenir des milliers de variables, l'apprentissage automatique aide les scientifiques à se concentrer sur des modèles qui reflètent véritablement les états électroniques des matériaux.
Comme l'explique le professeur Kotsugi, « la physique sous-jacente aux données XAS ne peut être expliquée que par quelques calculs mathématiques ».
L’équipe a testé quatre méthodes d’apprentissage automatique : l’analyse en composantes principales (ACP), la mise à l’échelle multidimensionnelle (MDS), l’intégration de voisins stochastiques distribués en t (t-SNE) et l’approximation et projection de collecteur uniforme (UMAP).
Parmi eux, UMAP s’est exceptionnellement bien comporté dans la classification de données spectrales complexes en fonction de différentes structures et défauts atomiques. Il a pu non seulement identifier les tendances mondiales, mais également détecter des différences subtiles entre les phases et les types de défauts.
Pour confirmer sa validité, les chercheurs ont comparé ces résultats à l'aide de données expérimentales XAS, qui correspondaient étroitement aux classifications dérivées de l'UMAP, malgré la présence de bruit et de variabilité. Cela démontre que cette méthode est robuste au bruit et aux variations introduites par les conditions expérimentales.
« Nos résultats montrent que l'UMAP peut être un outil précieux pour l'identification rapide, évolutive, automatisée et, surtout, objective des matériaux à l'aide de données spectrales expérimentales complexes », remarque le professeur Kotsugi.
Notamment, cette étude représente une méthode plus avancée par rapport à l’approche précédente basée sur la similarité statistique de l’équipe. Bien que cette méthode soit précise, cette nouvelle méthode basée sur l’IA présente une précision encore plus élevée et peut également révéler des variations significatives dans les états électroniques.
Soulignant l'impact de l'étude, le professeur Kotsugi déclare : « Notre méthode démontre le potentiel de l'identification structurelle autonome, ouvrant de nouvelles possibilités pour la conception de matériaux basée sur les données et le développement de nouveaux matériaux. »
L’approche basée sur l’IA a déjà été appliquée à différents ensembles de données expérimentales. Dans un avenir proche, cette approche sera mise en œuvre sous forme logicielle au centre de rayonnement synchrotron Nano-Terasu. À l’avenir, cette approche innovante basée sur l’IA accélérera le développement de nouveaux matériaux, faisant progresser des domaines clés tels que les semi-conducteurs, la catalyse et le stockage d’énergie, contribuant ainsi à construire un avenir plus durable.
