Missions
Apprentissage machine pour la simulation
Bien que les calculs atomistiques soient devenus des outils de plus en plus courants en science des matériaux, ils sont intrinsèquement limités par leur coût en temps de calcul, ce qui limite les échelles de taille et de temps accessibles. Dans ce contexte, les méthodes de Machine Learning sont et seront utilisées pour rechercher des relations non évidentes entre la structure atomique (qui peut être codée à l’aide d’un grand nombre de descripteurs possibles) et la propriété d’intérêt, au sein de bases de données étendues. Grâce à la disponibilité d’énormes quantités de données théoriques de haute qualité issues des calculs de structure électronique, des simulations de dynamique moléculaire et de la modélisation multi-échelle mésoscopique, le Machine Learning fournira à la communauté française des outils de rupture en permettant, par l’analyse des données disponibles, la découverte de relations jusque-là inconnues et l’identification de nouveaux matériaux prometteurs.
Caractérisation à haut-débit
Au cours de la dernière décennie, les progrès des sources de lumière et de particules, de l’optique et des technologies de détection ont conduit à une augmentation spectaculaire du volume et de la qualité des données des instruments de caractérisation expérimentale (diffraction/diffusion, microscopie, tomographie, spectroscopie, etc.). Ces avancées ouvrent de nouvelles perspectives pour l’analyse chimique combinatoire systématique et les caractérisations in situ et operando ultra-rapides et/ou spatialement résolues de matériaux et de dispositifs auparavant considérés comme techniquement irréalisables. Cependant, ces avancées ont un coût, lié à la manipulation des méga-données collectées lors de ces expérimentations. Il n’est plus possible d’avoir un retour en temps réel sur la pertinence des données ou leur qualité, et d’effectuer des ajustements à la volée qui permettraient de corriger la stratégie de mesure. Des algorithmes d’intelligence artificielle et d’apprentissage automatique sont et seront déployés pour relever ce nouveau et conséquent défi soulevé par le criblage de données, et permettront une caractérisation beaucoup plus rapide et plus efficace de nouveaux matériaux.
Conception de matériaux
La recherche de matériaux innovants aux propriétés structurelles, thermodynamiques et fonctionnelles optimales est une quête de l’humanité. Cependant, la découverte de nouveaux matériaux efficaces reste difficile. L’approche principale de ce type de défi est l’identification des relations structure-propriété et l’aide à la conception avec une composition chimique et une proposition de traitement (thermique, mécanique, physico-chimique, …) du matériau optimales pour une application ciblée.
En général, ces relations traitement-structure-propriété-performance (PSPP en anglais) sont loin d’être bien comprises. De plus, la relation scientifique déduite des relations « cause à effet » et l’approche technique avec des moyens contraints tendent à suivre des directions opposées. Pour contourner cette difficulté, différentes approches sont développées, incluant par exemple le criblage à haut débit, la conception inverse ou les algorithmes génétiques d’optimisation. Dans ce contexte, les approches fondées sur l’IA accélèrent le rythme de découverte de nouveaux matériaux. En effet, ces techniques sont en plein essor et sont devenues exceptionnellement attractives pour la prédiction et la conception dans de nombreux domaines de recherche et d’application.
Objectifs: transfert de connaissances entre différentes communautés, formation de nouveaux chercheurs
Le GDR IAMAT s’articule autour de deux principaux objectifs : d’une part, élargir la communauté et, d’autre part, partager et transférer, d’une communauté scientifique à l’autre, l’expertise et les savoirs-faire communs nécessaires au développement et à l’utilisation de nouvelles méthodes pour concevoir, modéliser, synthétiser et caractériser de nouveaux matériaux grâce aux outils et techniques d’IA/ML. Le GDR sera donc un véritable carrefour de connaissances rassemblant diverses compétences scientifiques et techniques qui contribueront à promouvoir de nouvelles réalisations de rupture.
Le GDR IAMAT vise également à former de nouveaux chercheurs à l’utilisation de ces nouvelles techniques et outils, car ils constitueront la première génération de chercheurs natifs de l’IA en science des matériaux. Cela contribuera à fédérer les communautés, à faciliter les collaborations interdisciplinaires et à maintenir le domaine à jour de l’état de l’art en constante amélioration dans la recherche autour de l’IA/ML en science des matériaux. Une attention particulière est accordée à attirer et à former de nouveaux membres – par exemple, de nouvelles recrues ou des personnes dont les sujets pourraient bénéficier de l’utilisation des techniques d’IA/ML.