Fabriquer de meilleures batteries, des composants électroniques plus rapides et des produits pharmaceutiques plus efficaces dépend de la découverte de nouveaux matériaux et de la vérification de leur qualité. L’intelligence artificielle aide dans le premier cas, avec des outils qui parcourent les catalogues de matériaux pour identifier rapidement les candidats prometteurs.
Mais une fois qu’un matériau est fabriqué, vérifier sa qualité implique toujours de le scanner avec des instruments spécialisés pour valider ses performances – une étape coûteuse et longue qui peut retarder le développement et la distribution de nouvelles technologies.
Désormais, un nouvel outil d’IA développé par les ingénieurs du MIT pourrait aider à éliminer le goulot d’étranglement du contrôle qualité, offrant une option plus rapide et moins chère pour certaines industries axées sur les matériaux.
Dans une étude publiée aujourd'hui dans la revue Matièreles chercheurs présentent « SpectroGen », un outil d'IA génératif qui dynamise les capacités de numérisation en servant de spectromètre virtuel. L'outil prend des « spectres », ou des mesures d'un matériau dans une modalité de numérisation, telle que l'infrarouge, et génère à quoi ressembleraient les spectres de ce matériau s'il était numérisé dans une modalité entièrement différente, telle que les rayons X.
Les résultats spectraux générés par l’IA correspondent, avec une précision de 99 %, aux résultats obtenus en scannant physiquement le matériau avec le nouvel instrument.
Certaines modalités spectroscopiques révèlent des propriétés spécifiques d'un matériau : l'infrarouge révèle les groupes moléculaires d'un matériau, tandis que la diffraction des rayons X visualise les structures cristallines du matériau et la diffusion Raman illumine les vibrations moléculaires d'un matériau. Chacune de ces propriétés est essentielle pour évaluer la qualité d'un matériau et nécessite généralement des flux de travail fastidieux sur plusieurs instruments coûteux et distincts à mesurer.
Avec SpectroGen, les chercheurs envisagent qu’une diversité de mesures puisse être effectuée à l’aide d’un oscilloscope physique unique et moins cher. Par exemple, une chaîne de fabrication pourrait effectuer un contrôle qualité des matériaux en les scannant avec une seule caméra infrarouge. Ces spectres infrarouges pourraient ensuite être introduits dans SpectroGen pour générer automatiquement les spectres de rayons X du matériau, sans que l'usine ait à héberger et exploiter un laboratoire d'analyse à rayons X séparé, souvent plus coûteux.
Le nouvel outil d’IA génère des spectres en moins d’une minute, mille fois plus rapide que les approches traditionnelles dont la mesure et la validation peuvent prendre plusieurs heures, voire plusieurs jours.
« Nous pensons qu'il n'est pas nécessaire d'effectuer les mesures physiques dans toutes les modalités dont vous avez besoin, mais peut-être simplement dans une modalité unique, simple et peu coûteuse », explique Loza Tadesse, co-auteur de l'étude et professeur adjoint de génie mécanique au MIT. « Ensuite, vous pouvez utiliser SpectroGen pour générer le reste. Et cela pourrait améliorer la productivité, l'efficacité et la qualité de la fabrication. »
L'auteur principal de l'étude est Yanmin Zhu, ancien postdoctorant du MIT.
Au-delà des obligations
Le groupe interdisciplinaire de Tadesse au MIT est pionnier dans les technologies qui font progresser la santé humaine et planétaire, en développant des innovations pour des applications allant du diagnostic rapide des maladies à l'agriculture durable.
« Le diagnostic des maladies, et l'analyse des matériaux en général, implique généralement la numérisation d'échantillons et la collecte de spectres selon différentes modalités, avec différents instruments encombrants et coûteux et que l'on ne trouve peut-être pas tous dans un seul laboratoire », explique Tadesse. « Nous avons donc réfléchi à la manière de miniaturiser tout cet équipement et de rationaliser le pipeline expérimental. »
Zhu a noté l’utilisation croissante d’outils d’IA générative pour découvrir de nouveaux matériaux et médicaments candidats, et s’est demandé si l’IA pouvait également être exploitée pour générer des données spectrales. En d’autres termes, l’IA pourrait-elle agir comme un spectromètre virtuel ?
Un spectroscope sonde les propriétés d'un matériau en envoyant une lumière d'une certaine longueur d'onde dans le matériau. Cette lumière fait vibrer les liaisons moléculaires du matériau de manière à diffuser la lumière vers l'oscilloscope, où la lumière est enregistrée sous la forme d'un motif d'ondes, ou de spectres, qui peuvent ensuite être lus comme une signature de la structure du matériau.
Pour que l’IA génère des données spectrales, l’approche conventionnelle impliquerait de former un algorithme pour reconnaître les connexions entre les atomes physiques et les caractéristiques d’un matériau, ainsi que les spectres qu’ils produisent. Compte tenu de la complexité des structures moléculaires au sein d’un seul matériau, Tadesse affirme qu’une telle approche peut rapidement devenir insoluble.
« Faire cela, même pour un seul matériau, est impossible », dit-elle. « Alors, nous avons pensé : existe-t-il une autre façon d'interpréter les spectres ? »
L’équipe a trouvé une réponse grâce aux mathématiques. Ils ont réalisé qu’un motif spectral, qui est une séquence de formes d’onde, peut être représenté mathématiquement. Par exemple, un spectre contenant une série de courbes en cloche est appelé distribution « gaussienne », qui est associée à une certaine expression mathématique, comparé à une série d'ondes plus étroites, connue sous le nom de distribution « Lorentzienne », qui est décrite par un algorithme séparé et distinct.
Et il s’avère que pour la plupart des matériaux, les spectres infrarouges contiennent généralement davantage de formes d’onde lorentziennes, tandis que les spectres Raman sont plus gaussiens et que les spectres de rayons X sont un mélange des deux.
Tadesse et Zhu ont intégré cette interprétation mathématique des données spectrales dans un algorithme qu’ils ont ensuite incorporé dans un modèle d’IA générative.
« Il s'agit d'une IA générative experte en physique qui comprend ce que sont les spectres », explique Tadesse. « Et la nouveauté clé est que nous avons interprété les spectres non pas comme la façon dont ils proviennent de produits chimiques et de liaisons, mais comme étant en réalité des courbes et des graphiques mathématiques, qu'un outil d'IA peut comprendre et interpréter. »
Co-pilote de données
L’équipe a présenté son outil SpectroGen AI sur un vaste ensemble de données accessible au public comprenant plus de 6 000 échantillons de minéraux. Chaque échantillon comprend des informations sur les propriétés du minéral, telles que sa composition élémentaire et sa structure cristalline. De nombreux échantillons de l'ensemble de données incluent également des données spectrales dans différentes modalités, telles que les rayons X, Raman et infrarouge.
Parmi ces échantillons, l'équipe en a transmis plusieurs centaines à SpectroGen, dans le cadre d'un processus qui a entraîné l'outil d'IA, également connu sous le nom de réseau neuronal, à apprendre les corrélations entre les différentes modalités spectrales d'un minéral. Cette formation a permis à SpectroGen de prendre en compte les spectres d'un matériau dans une modalité, comme l'infrarouge, et de générer à quoi devrait ressembler un spectre dans une modalité totalement différente, comme les rayons X.
Une fois qu’ils ont formé l’outil d’IA, les chercheurs ont alimenté les spectres SpectroGen à partir d’un minéral de l’ensemble de données qui n’était pas inclus dans le processus de formation. Ils ont demandé à l’outil de générer un spectre dans une modalité différente, basé sur ce « nouveau » spectre. Ils ont découvert que les spectres générés par l'IA correspondaient étroitement aux spectres réels du minéral, qui avaient été initialement enregistrés par un instrument physique. Les chercheurs ont effectué des tests similaires avec un certain nombre d’autres minéraux et ont constaté que l’outil d’IA générait rapidement des spectres, avec une corrélation de 99 %.
« Nous pouvons introduire des données spectrales dans le réseau et obtenir un autre type de données spectrales totalement différent, avec une très grande précision, en moins d'une minute », explique Zhu.
L'équipe affirme que SpectroGen peut générer des spectres pour tout type de minéral. Dans un environnement manufacturier, par exemple, les matériaux à base minérale utilisés pour fabriquer des semi-conducteurs et des batteries pourraient d’abord être rapidement analysés par un laser infrarouge. Les spectres de ce balayage infrarouge pourraient être introduits dans SpectroGen, qui générerait ensuite un spectre en rayons X, que les opérateurs ou une plateforme d'IA multiagent pourraient vérifier pour évaluer la qualité du matériau.
« Je pense qu'il s'agit d'un agent ou d'un copilote qui soutient les chercheurs, les techniciens, les pipelines et l'industrie », explique Tadesse. « Nous prévoyons de personnaliser cela pour répondre aux besoins de différentes industries. »
L’équipe étudie les moyens d’adapter l’outil d’IA au diagnostic des maladies et à la surveillance agricole dans le cadre d’un prochain projet. Tadesse fait également progresser la technologie dans le domaine grâce à une nouvelle startup et envisage de rendre SpectroGen disponible pour un large éventail de secteurs, des produits pharmaceutiques aux semi-conducteurs en passant par la défense.
