De nouvelles recherches utilisant un système d’intelligence artificielle (IA) contribuent à développer de nouveaux matériaux semi-conducteurs à base de gallium beaucoup plus rapidement que les méthodes traditionnelles.
L’étude internationale, menée par l’université Flinders en collaboration avec l’université Khalifa des Émirats arabes unis, a conçu la plateforme d’apprentissage automatique pour fonctionner comme un « moteur intelligent de découverte de matériaux », capable de réduire considérablement le temps consacré aux expériences informatiques ou de laboratoire complexes pour tester et trouver de nouveaux matériaux pour les futurs semi-conducteurs.
Les semi-conducteurs sont utilisés dans des applications de haute technologie, allant de l’électronique portable, des systèmes de communication et des smartphones aux dispositifs médicaux et LED et aux panneaux solaires.
« Le défi est qu’il existe des millions de combinaisons de matériaux possibles, et les tester une par une en laboratoire ou avec des simulations informatiques complexes est extrêmement lent et coûteux », explique Vi-Khanh Truong, professeur associé et boursier ARC Future Fellow de l’Université Flinders , auteur principal d’un nouvel article dans ACS Materials Letters , publié par l’American Chemical Society .
« Au lieu de rechercher des matériaux au hasard, l’IA que nous avons développée apprend les règles chimiques cachées qui contrôlent le comportement des matériaux à base de gallium, puis prédit des compositions de matériaux entièrement nouvelles avec les propriétés électroniques souhaitées. »
Le gallium est l’un des 31 minéraux critiques extraits en Australie et possède de nombreuses applications. Couramment utilisé en électronique, il a récemment suscité un intérêt croissant pour son efficacité dans la fabrication de puces informatiques. L’arséniure de gallium, principal composé chimique du gallium en électronique, est utilisé dans les circuits micro-ondes, les circuits de commutation à haute vitesse et les circuits infrarouges.
Le système d’IA a été entraîné à l’aide de milliers de matériaux semi-conducteurs connus issus de bases de données internationales. Il a ensuite utilisé l’optimisation bayésienne, une forme de prise de décision intelligente, pour rechercher en continu de nouveaux matériaux prometteurs contenant du gallium tout en évitant les combinaisons chimiquement impossibles.
« Surtout, le système ne se contente pas de générer des formules aléatoires. Il vérifie si les matériaux proposés sont chimiquement réalistes et physiquement stables avant de les recommander. Cela réduit considérablement les efforts inutiles et accélère le processus de validation expérimentale », explique le professeur agrégé Truong, du laboratoire de nano-ingénierie biomédicale du Flinders College of Medicine and Public Health .
« L’étude a permis de générer avec succès plusieurs candidats semi-conducteurs à base de gallium totalement nouveaux qui n’étaient pas présents dans les bases de données existantes. »
Le professeur agrégé Truong explique que l’une des propriétés clés ciblées dans cette étude est la « bande interdite », qui détermine la façon dont un semi-conducteur interagit avec l’électricité et la lumière.
« Différentes largeurs de bande interdite sont nécessaires pour différentes technologies. Les bandes interdites plus étroites sont utiles pour la conversion de l’énergie solaire. Les bandes interdites moyennes sont importantes pour les LED et les dispositifs optiques. Les bandes interdites plus larges sont essentielles pour l’électronique de puissance et les systèmes résistants aux radiations. »
