Il est possible de prédire les propriétés des matériaux de manière fiable. Toutefois, le processus de développement de nouveaux produits pour un large éventail d'industries peut être rationalisé et accéléré. Dans une étude publiée dans Advanced Intelligent Systems, des chercheurs de l'Institut des sciences industrielles de l'Université de Tokyo ont utilisé la spectroscopie de perte d'énergie au cœur des matériaux pour déterminer les propriétés des molécules organiques à l'aide de l'apprentissage automatique.
On utilise les techniques de spectroscopie ELNES (energy loss near-edge structure) et XANES (X-ray near-edge structure) pour déterminer des informations sur les électrons, et par conséquent sur les atomes, dans les matériaux. Elles présentent une sensibilité et une résolution élevées. Les chercheurs les ont notamment utilisées pour étudier toute une série de matériaux, des dispositifs électroniques aux systèmes d'administration de médicaments.
Utilisation de la Machine Learning
Cependant, il est toujours difficile de relier les données spectrales aux propriétés d'un matériau. Des données comme les propriétés optiques, la conductivité électronique, la densité et stabilité. Les chercheurs ont donc utilisés des approches d'apprentissage automatique ou Machine learning (ML) pour extraire des informations de grands ensembles complexes de données. Ces approches utilisent des réseaux de neurones artificiels, pour apprendre constamment à résoudre des problèmes. Des réseaux qui s'inspirent du fonctionnement de notre cerveau. Bien que le groupe ait précédemment utilisé les spectres ELNES/XANES et l'approche ML pour trouver des informations sur les matériaux. Ce qu'il a trouvé n'était pas lié aux propriétés du matériau lui-même. Par conséquent, il n'était pas facile de traduire les informations en développement.
L'équipe a maintenant utilisé ML pour révéler des informations cachées dans les spectres ELNES/XANES simulés de 22 155 molécules organiques.
« Les spectres ELNES/XANES des molécules, ou leurs “descripteurs” dans ce scénario ont ensuite été introduits dans le système », explique l'auteur principal Kakeru Kikumasa. Des descripteurs qu'il est possible de mesurer directement dans les expériences. Il peut donc être déterminé avec une sensibilité et une résolution élevées. Cette méthode est très bénéfique pour le développement des matériaux. Elle a effectivement le potentiel de révéler où, quand et comment certaines propriétés des matériaux apparaissent ?
Prédire les propriétés intensives
Un modèle créé à partir des seuls spectres a pu prédire avec succès les propriétés dites intensives. Cependant, il n'a pas été en mesure de prédire les propriétés extensives, qui dépendent de la taille des molécules. Par conséquent, pour améliorer la prédiction, les chercheurs ont construit le nouveau modèle en incluant les ratios de trois éléments par rapport au carbone (qui est présent dans toutes les molécules organiques) comme paramètres supplémentaires pour permettre de prédire correctement les propriétés extensives telles que le poids moléculaire.
« Notre traitement par apprentissage ML des spectres de perte de noyau permet de prédire avec précision les propriétés étendues des matériaux. Des propriétés telles que l'énergie interne et le poids moléculaire. On n'a jamais pu établir le lien entre les spectres de perte de noyau et les propriétés étendues. Cependant, l'intelligence artificielle a pu dévoiler les connexions cachées. Notre approche pourrait aussi prédire les propriétés de nouveaux matériaux et fonctions », déclare l'auteur principal Teruyasu Mizoguchi.
Nous pensons que notre modèle sera un outil très utile pour le développement à haut débit de matériaux dans un large éventail d'industries. L'étude a comme intitulé « Quantification of the Properties of Organic Molecules Using Core-Loss Spectra as Neural Network Descriptors ».
- Partager l'article :
