Un système d'apprentissage profond explore l'intérieur des matériaux de l'extérieur

Evaluer de l'extérieur ce qui se passe à l'intérieur des matériaux ? C'est en principe techniquement possible, par exemple avec la technique des rayons X. Ou si les destructions ne sont pas importantes, on peut tout simplement découper le matériau. Un nouveau procédé basé sur l'IA exploite désormais le fait que beaucoup de ce qui se passe à l'intérieur d'un matériau a également une influence sur sa surface. Une équipe de chercheurs du MIT a utilisé le deep learning pour comparer un grand nombre de données simulées sur les champs de force externes des matériaux avec la structure interne correspondante et développer ainsi un système capable de faire des prédictions fiables sur l'intérieur à partir des données de surface. Les résultats ont été publiés par le doctorant Zhenze Yang et le professeur de génie civil et environnemental Markus Bühler dans la revue "Advanced Materials".

Quand les structures de surface renvoient à l'intérieur

Selon Markus Bühler, c'est un problème fréquent en ingénierie : "Si vous avez un morceau de matériau - peut-être une porte de voiture ou une partie d'un avion - et que vous voulez savoir ce qu'il y a à l'intérieur, vous pouvez mesurer les déformations à la surface en prenant des photos et en calculant combien vous avez de déformation. Mais on ne peut pas vraiment regarder à l'intérieur du matériau. On ne peut le faire qu'en le coupant et en regardant à l'intérieur pour voir s'il y a des dommages". De son côté, la radiologie est coûteuse et nécessite des appareils encombrants. "Nous nous sommes donc posé la question fondamentale : Pouvons-nous développer un algorithme d'IA qui regarde ce qui se passe à la surface, que nous pouvons facilement voir soit avec un microscope, soit avec une photo, ou qui mesure simplement des choses à la surface du matériau, et qui essaie ensuite de découvrir ce qui se passe à l'intérieur ?" Ces informations internes pourraient inclure des dommages, des fissures ou des tensions dans le matériau, ou des détails de la microstructure interne. Le même type de questions peut également s'appliquer aux tissus biologiques, ajoute Markus Bühler. "Y a-t-il une maladie, une sorte de croissance ou des changements dans le tissu ?" L'objectif était de développer un système capable de répondre à ce type de questions de manière totalement non invasive.

Un système d'apprentissage en profondeur pour traquer la vie intérieure des matériaux

"Pour atteindre cet objectif, il a fallu se pencher sur des questions complexes, notamment sur le fait qu'il existe plusieurs solutions à bon nombre de ces problèmes", explique Bühler. Par exemple, de nombreuses configurations internes différentes peuvent présenter les mêmes propriétés de surface. Pour faire face à cette ambiguïté, "nous avons développé des méthodes qui nous montrent toutes les possibilités, en fait toutes les options, qui pourraient conduire à ce scénario [de surface] particulier".

La technique qu'ils ont développée consistait à entraîner un modèle d'IA à partir d'une grande quantité de données sur les mesures de surface et les propriétés internes associées. Celles-ci comprenaient non seulement des matériaux uniformes, mais aussi des matériaux contenant différentes combinaisons de matériaux. "Certains nouveaux avions sont fabriqués à partir de matériaux composites, de sorte qu'ils sont délibérément composés de différentes phases", explique Bühler. "Et bien sûr, en biologie aussi, chaque type de matériau biologique est fabriqué à partir de plusieurs composants qui ont des propriétés très différentes, comme les os, où il y a des protéines très molles et des minéraux très rigides".

Méthode applicable à grande échelle

La technique fonctionne même avec des matériaux dont la complexité n'est pas encore totalement comprise, explique Markus Bühler. "Dans le cas de tissus biologiques complexes, nous ne comprenons pas exactement comment ils se comportent, mais nous pouvons mesurer leur comportement. Nous n'avons pas de théorie pour cela, mais lorsque nous aurons recueilli suffisamment de données, nous pourrons entraîner le modèle".

Zhenze Yang affirme que la méthode qu'ils ont développée est largement applicable. "Elle ne se limite pas aux problèmes de mécanique des solides, mais peut également être utilisée dans d'autres disciplines techniques comme la dynamique des fluides et d'autres domaines". Bühler ajoute qu'elle permet de déterminer un grand nombre de propriétés, non seulement la contrainte et l'allongement, mais aussi les champs liquides ou magnétiques, par exemple les champs magnétiques dans un réacteur de fusion. C'est "très universel, pas seulement pour différents matériaux, mais aussi pour différentes disciplines".

Yang explique qu'il a réfléchi pour la première fois à cette approche lorsqu'il a examiné des données sur un matériau dont une partie des images qu'il utilisait était floue et qu'il s'est demandé comment il serait possible de "remplir" les données manquantes dans la zone floue. "Comment pouvons-nous récupérer ces informations manquantes ?", s'est-il demandé. En poursuivant sa lecture, il s'est rendu compte qu'il s'agissait d'un exemple de problème très répandu, connu sous le nom de problème inverse, dans lequel on essaie de récupérer des informations manquantes.

Comment le système d'apprentissage en profondeur des propriétés des matériaux a été développé

Le développement de la méthode a été un processus itératif dans lequel le modèle a fait des prédictions préliminaires, les a comparées aux données réelles sur le matériau en question, puis a affiné le modèle pour tenir compte de ces informations. Le modèle résultant a été testé sur des cas où les matériaux étaient suffisamment bien connus pour calculer les propriétés internes réelles, et les prédictions de la nouvelle méthode correspondaient bien aux propriétés calculées.

Les données d'entraînement comprenaient des images de la surface, mais aussi diverses autres mesures des propriétés de la surface, notamment des tensions et des champs électriques et magnétiques. Dans de nombreux cas, les chercheurs ont utilisé des données simulées basées sur une compréhension de la structure sous-jacente d'un matériau donné. Et même si un nouveau matériau présente de nombreuses propriétés inconnues, la méthode peut produire une approximation suffisamment bonne pour donner aux ingénieurs une direction générale pour les mesures ultérieures.

Les deux chercheurs partent du principe que cette méthode, qui peut être utilisée via le site web GitHub est librement accessible à tous, sera dans un premier temps surtout utilisé dans des environnements de laboratoire, par exemple pour tester des matériaux destinés à des applications de robotique douce.

Source : Techexplore.com