L’une des étapes clés du développement de nouveaux matériaux est l’identification des propriétés, qui repose depuis longtemps sur des quantités massives de données expérimentales et des équipements coûteux, limitant ainsi l’efficacité de la recherche. Une équipe de recherche du KAIST a introduit une nouvelle technique qui combine les lois physiques qui régissent la déformation et l’interaction des matériaux et de l’énergie avec l’intelligence artificielle. Cette approche permet une exploration rapide de nouveaux matériaux, même dans des conditions de pénurie de données, et constitue une base pour accélérer la conception et la vérification dans plusieurs domaines d'ingénierie, notamment les matériaux, la mécanique, l'énergie et l'électronique.
Le groupe de recherche du professeur Seunghwa Ryu au Département de génie mécanique, en collaboration avec le groupe du professeur Jae Hyuk Lim de l'Université Kyung Hee et le Dr Byungki Ryu de l'Institut coréen de recherche en électrotechnologie, a proposé une nouvelle méthode capable de déterminer avec précision les propriétés des matériaux avec seulement des données limitées. La méthode utilise l’apprentissage automatique basé sur la physique (PIML), qui intègre directement les lois physiques dans le processus d’apprentissage de l’IA.
Dans la première étude, les chercheurs se sont concentrés sur les matériaux hyperélastiques, comme le caoutchouc. Ils ont présenté une méthode de réseau neuronal fondé sur la physique (PINN) capable d'identifier à la fois le comportement de déformation et les propriétés des matériaux en utilisant seulement une petite quantité de données obtenues à partir d'une seule expérience. Alors que les approches précédentes nécessitaient des ensembles de données volumineux et complexes, cette recherche a démontré que les caractéristiques des matériaux peuvent être reproduites de manière fiable même lorsque les données sont rares, limitées ou bruyantes.
Dans la deuxième étude, l’équipe s’est tournée vers les matériaux thermoélectriques, de nouveaux matériaux qui convertissent la chaleur en électricité et l’électricité en chaleur. Ils ont proposé une technique d'inférence inverse basée sur PINN qui peut estimer des indicateurs clés, tels que la conductivité thermique (la qualité du transfert de chaleur) et le coefficient Seebeck (l'efficacité avec laquelle l'électricité est produite), à partir de quelques mesures seulement.
Pour aller plus loin, les chercheurs ont introduit un opérateur neuronal fondé sur la physique (PINO), un modèle d'IA qui comprend les lois physiques de la nature, et ont montré qu'il peut se généraliser à des matériaux inédits sans nécessiter de recyclage.
En fait, après avoir entraîné le système sur 20 matériaux, ils l’ont testé sur 60 matériaux entièrement nouveaux et, dans tous les cas, ils ont prédit leurs propriétés avec une grande précision. Cette percée laisse entrevoir un avenir où le criblage à grande échelle et à grande vitesse d’innombrables matériaux candidats deviendra possible.
Cette réussite va au-delà de la simple réduction du besoin d’expérimentation. En combinant de manière complexe les lois physiques avec l’IA, les chercheurs ont fourni le premier exemple d’amélioration de l’efficacité expérimentale tout en préservant la fiabilité.
Le professeur Seunghwa Ryu, qui a dirigé les deux études, a déclaré : « Il s'agit du premier cas d'application de l'IA qui comprend les lois physiques à la recherche sur les matériaux réels. Elle permet une identification fiable des propriétés des matériaux même lorsque la disponibilité des données est limitée, et elle devrait s'étendre à divers domaines d'ingénierie. »
Le premier article, co-écrit par KAIST Mechanical Engineering Ph.D. candidats Hyeonbin Moon et Donggeun Park, est publié dans Méthodes informatiques en mécanique appliquée et ingénierie.
Le deuxième article, co-écrit pour la première fois par KAIST Mechanical Engineering Ph.D. candidats Hyeonbin Moon et Songho Lee, ainsi que le Dr Wabi Demeke, est publié dans Matériaux informatiques npj.
