Les éléments de terres rares sont des composants cruciaux dans tous les types d’électronique, des smartphones et des câbles à large bande aux éoliennes et aux voitures électriques. Mais trouver des composés utiles qui peuvent étendre notre utilisation pratique des terres rares est notoirement difficile, avec des résultats imprévisibles.
Aujourd’hui, les scientifiques ont trouvé un moyen astucieux d’aider à la recherche de nouveaux composés de terres rares : un système d’intelligence artificielle nouvellement développé avec des pouvoirs prédictifs qui nous emmènera au-delà de ce qui serait possible pour les humains en laboratoire.
Le type d’IA utilisé ici est l’apprentissage automatique : comme son nom l’indique, c’est là qu’un logiciel étudie une base de données d’informations (dans ce cas sur des composés de terres rares), en reconnaissant des modèles et des corrélations qui lui permettent ensuite de repérer de nouvelles correspondances potentielles pour ladite base de données. .
“L’apprentissage automatique est vraiment important ici, car lorsque nous parlons de nouvelles compositions, les matériaux commandés sont tous très bien connus de tous les membres de la communauté des terres rares”, explique le scientifique des matériaux Prashant Singh, du laboratoire Ames de l’Iowa State University.
“Cependant, lorsque vous ajoutez du désordre à des matériaux connus, c’est très différent. Le nombre de compositions devient considérablement plus grand, souvent des milliers ou des millions, et vous ne pouvez pas étudier toutes les combinaisons possibles en utilisant la théorie ou des expériences.”
En science des matériaux, l’ordre et le désordre font référence à la façon dont les particules sont disposées dans le matériau (par exemple, dans une grille cristalline parfaite ou dans un arrangement plus chaotique et dispersé), ce qui influence directement les propriétés et les utilisations dudit matériau.
Dans ce cas, le modèle d’apprentissage automatique a été construit à l’aide d’une base de données de terres rares et de quelques idées de la théorie fonctionnelle de la densité (DFT), qui traite de l’analyse des structures matérielles – parfait pour ce type de recherche.
La façon dont le modèle a été construit signifie que des centaines de permutations peuvent être testées rapidement, puis la stabilité de phase de chacune peut être évaluée. En d’autres termes, l’IA est capable de juger si oui ou non une combinaison de terres rares va être viable, par exemple ne pas s’effondrer.
Ces calculs sont ensuite complétés par des informations supplémentaires issues du web – trouvées grâce à des algorithmes sur mesure – avant d’être finalement validés et soumis à plusieurs vérifications pour s’assurer qu’ils restent dans le domaine de la réalité.
“Ce n’est pas vraiment destiné à découvrir un composé particulier”, explique le scientifique des matériaux Yaroslav Mudryk, du laboratoire Ames. “C’était, comment concevons-nous une nouvelle approche ou un nouvel outil pour la découverte et la prédiction des composés de terres rares? Et c’est ce que nous avons fait.”
Les données expérimentales peuvent également être réintroduites dans le système d’apprentissage automatique, améliorant encore sa précision et réduisant les risques d’erreurs, telles que la création de composés de terres rares qui ne fonctionneraient pas réellement.
À l’heure actuelle, le modèle est toujours en cours d’évaluation et d’ajustement avant de se lancer dans la recherche de ces composés de terres rares, mais les chercheurs promettent que ce n’est que le début du système nouvellement développé.
Mieux encore, les techniques que l’équipe utilise ici devraient également fonctionner dans la recherche d’autres types de matériaux insaisissables à l’avenir. Finalement, nous ne devrions pas avoir à compter autant sur la sérendipité pour faire ce genre de découvertes.
“Notre approche sera utile pour découvrir de nouveaux composés complexes de terres rares avec de nouvelles fonctionnalités”, concluent les chercheurs dans leur article publié.
La recherche a été publiée dans Acta Materialia.
