Une équipe dirigée par le laboratoire Argonne aux Etats-Unis développe un algorithme spécial qui surveille les expériences autonomes pilotées par l’IA. L’algorithme IA « Adviser » surveille les performances d’autres algorithmes d’apprentissage automatique au fur et à mesure du déroulement des expériences autonomes. Il fournit aux chercheurs des informations qui permettent d’affiner les protocoles expérimentaux.

La croissance mondiale rapide de l’électronique pose des défis considérables en matière d’innovation des matériaux. Traditionnellement, la découverte de nouveaux matériaux électroniques peut prendre de nombreuses années. Les technologies émergentes, telles que l’électronique flexible et la bioélectronique, exigent un développement beaucoup plus rapide.  L’expérimentation autonome pilotée par l’intelligence artificielle (IA) a le potentiel d’accélérer considérablement la découverte de matériaux révolutionnaires.

Cependant, les algorithmes d’IA nécessitent un entraînement intensif avec de grandes quantités de données pour prendre des décisions pertinentes. Le manque de données sur les matériaux électroniques limite l’efficacité des expériences pilotées par l’IA. Cette rareté des données est due au temps considérable nécessaire à la conception, à la fabrication et à l’évaluation des matériaux. De nouvelles stratégies sont donc indispensables pour permettre aux systèmes d’IA de fonctionner efficacement avec des ensembles de données restreints.

Une équipe de recherche dirigée par le Laboratoire national d’Argonne du Département de l’Énergie des États-Unis (DOE) a développé une IA innovante Un « adviser » (conseiller) permet de relever ces défis. Ce conseiller IA est un algorithme spécialisé qui surveille les performances des algorithmes d’apprentissage automatique au fur et à mesure du déroulement des expériences autonomes. Il en extrait également des informations clés. Les chercheurs utilisent ces informations pour affiner leurs hypothèses ou leurs protocoles expérimentaux.

« L’IA Adviser  a transformé notre laboratoire robotique, passant d’un flux de travail relativement statique à un flux hautement adaptable. Les résultats sont impressionnants. Je m’attends à ce que les chercheurs appliquent notre concept et nos méthodes de conseiller à divers matériaux. Cela contribuera à accélérer les nouvelles découvertes. » — Jie Xu, scientifique à Argonne et professeur adjoint de génie moléculaire à l’École de génie moléculaire Pritzker de l’Université de Chicago

Cette collaboration entre l’IA et l’humain accroît l’efficacité et augmente les chances de découvrir des matériaux performants. Le conseiller IA s’inspire des robots-conseillers qui gèrent des portefeuilles financiers.

Les chercheurs ont utilisé cet outil de conseil dans le cadre d’une étude, pilotée par l’IA, de matériaux électroniques appelés polymères conducteurs mixtes ioniques et électroniques (MIECP: mixed ion-electron conducting polymers). Cette étude a permis de dégager des conclusions importantes sur l’influence de la structure d’empilement de ces matériaux sur leurs performances.

« Les algorithmes d’IA utilisés dans les laboratoires autonomes ne peuvent pas adapter les expériences à partir de petits ensembles de données », explique Jie Xu, l’un des principaux auteurs de l’étude. Chercheur à Argonne, Xu est également professeur adjoint de génie moléculaire à l’École de génie moléculaire Pritzker de l’Université de Chicago.« Le conseiller en IA a transformé notre laboratoire de robotique, passant d’un flux de travail relativement statique à un flux de travail hautement adaptable. Les résultats ont été convaincants. »

Xu a ajouté: « Je m’attends à ce que les chercheurs appliquent notre concept et nos méthodes de conseil à divers matériaux. Cela contribuera à accélérer les nouvelles découvertes. »

L’étude a été publiée dans la revue Nature Chemical Engineering. Outre Argonne, l’équipe de recherche comprenait l’Université de Chicago, le Laboratoire national Lawrence Berkeley (LBNL) du Département de l’ Énergie des États-Unis , l’Université du Mississippi du Sud et l’Université de Floride centrale.

La collaboration homme-IA favorise la réussite des études

Un transistor électrochimique organique fabriqué lors d’expériences autonomes guidées par l’IA. (Image du Laboratoire national d’Argonne.)

Les scientifiques ont intégré un conseiller en intelligence artificielle à Polybot . Ce laboratoire robotisé guidé par l’IA se trouve au Centre des matériaux nanométriques, une plateforme scientifique du Département de l’Énergie américain (DOE) située à Argonne. Les plateformes robotiques de Polybot synthétisent et caractérisent les matériaux de manière autonome. Ensuite, ses algorithmes d’IA analysent les données expérimentales. Sur la base de cette analyse, les algorithmes déterminent les expériences suivantes.

Pour tester le conseiller, l’équipe a utilisé Polybot afin d’étudier les MIECP. Ces matériaux organiques souples peuvent conduire simultanément les électrons et les ions. Cette double conductivité les rend prometteurs pour un large éventail d’applications, notamment l’électronique portable et le stockage d’énergie.

Les chercheurs souhaitaient identifier les principes de conception qui régissent les performances des MIECP et optimiser leurs propriétés. Leur approche consistait à évaluer les matériaux utilisés dans les transistors fabriqués.

Polybot a déposé de manière autonome le MIECP sur des substrats. Il a ensuite fabriqué des transistors à partir de ce matériau, mesuré leurs performances et caractérisé les propriétés du matériau. Le principal indicateur de performance quantifiait la capacité des transistors à déplacer et à stocker des charges électroniques et ioniques.

Lors d’itérations expérimentales, les algorithmes d’IA de Polybot ont fait varier les conditions de traitement. Ces conditions incluaient la concentration du matériau en solution, la température et la vitesse de dépôt, ainsi que les caractéristiques du substrat. Ces ajustements visaient deux objectifs : explorer diverses conditions de traitement avec un minimum d’expériences et optimiser la compréhension des relations entre la structure et les propriétés du matériau.

Un superviseur d’algorithme

Le conseiller est un algorithme d’IA quiCe système « supervise » les algorithmes d’IA de Polybot . Il évalue la progression des expériences, analyse les jeux de données et compare les performances des algorithmes. Il communique les principaux modèles et tendances aux scientifiques via une plateforme de diffusion en direct. L’objectif est d’éclairer leurs décisions concernant l’amélioration des protocoles et paramètres expérimentaux.

À un moment donné, le système a constaté une diminution des améliorations de performance. Il a suggéré d’utiliser un autre algorithme d’IA pour les expériences suivantes. Les scientifiques ont suivi cette recommandation et les performances de l’appareil se sont nettement améliorées.

Le conseiller a également constaté que la vitesse de dépôt était le facteur le plus déterminant pour l’amélioration des performances. Il a partagé cette observation avec les scientifiques, ce qui a éclairé leur décision d’élargir le champ d’investigation de ce paramètre et permis d’obtenir des gains de performance supplémentaires.

Grâce aux adaptations expérimentales permises par le système de conseil, Polybot a pu mener à bien l’étude en seulement 64 expériences. Ce résultat est remarquablement rapide, compte tenu des plus de 4 300 combinaisons possibles de conditions de traitement. L’étude a permis de constituer un ensemble de données diversifié sur les relations entre la structure et les propriétés des matériaux.

Des caractérisations approfondies permettent d’établir des principes de conception précieux

L’équipe de recherche a également utilisé des lasers, des rayons X et du courant électrique pour caractériser la structure et les propriétés des 10 échantillons de matériaux les plus représentatifs. L’objectif était de mieux comprendre comment la structure d’empilement des échantillons influençait leurs performances. Une partie de ces travaux de caractérisation a été réalisée à l’Advanced Light Source, une autre installation utilisateur du Département de l’Énergie (DOE) située au LBNL (Laboratoire national Lawrence Berkeley) .

Ces caractérisations approfondies ont révélé deux caractéristiques structurelles essentielles à l’amélioration des performances : un espacement plus important entre les couches et des fibres plus fines. L’équipe a également découvert que le matériau cristallise en deux structures distinctes. Ces résultats significatifs peuvent être mis à profit pour concevoir des MIECP plus performants.

https://www.anl.gov/article/ai-adviser-accelerates-robotic-design-of-advanced-electronic-materials