Système de deep-learning explore l’intérieur des matériaux depuis l’extérieur

Deep-learning system explores materials from the outside.

Une nouvelle méthode pourrait fournir des informations détaillées sur les structures internes, les vides et les fissures, basées uniquement sur des données sur les conditions extérieures.

Peut-être ne pouvez-vous pas juger un livre à sa couverture, mais selon les chercheurs du MIT, vous pouvez désormais faire l’équivalent pour tous les matériaux, d’une pièce d’avion à un implant médical. Leur nouvelle approche permet aux ingénieurs de comprendre ce qui se passe à l’intérieur simplement en observant les propriétés de la surface du matériau.

• Former les machines pour apprendre plus comme le font les humains
• Le premier Grand Défi J-WAFS vise à développer des variantes de culture améliorées et à les transférer du laboratoire aux terres cultivées.
• Les chercheurs utilisent l’IA pour identifier des matériaux similaires dans les images.

L’équipe a utilisé une forme d’apprentissage machine appelée apprentissage en profondeur pour comparer un grand ensemble de données simulées sur les champs de force externes des matériaux et la structure interne correspondante, et a utilisé cela pour générer un système capable de faire des prévisions fiables de l’intérieur à partir des données de surface.

Les résultats sont publiés dans la revue Advanced Materials, dans un article du doctorant Zhenze Yang et du professeur de génie civil et environnemental Markus Buehler.

« C’est un problème très courant en ingénierie », explique Buehler. « Si vous avez une pièce de matériau – peut-être une porte de voiture ou une pièce d’avion – et que vous voulez savoir ce qui se trouve à l’intérieur de ce matériau, vous pouvez mesurer les contraintes à la surface en prenant des images et en calculant la déformation. Mais vous ne pouvez pas vraiment regarder à l’intérieur du matériau. La seule façon de le faire est de le couper et de regarder à l’intérieur pour voir s’il y a des dommages à l’intérieur. »

Il est également possible d’utiliser des rayons X et d’autres techniques, mais cela tend à être coûteux et nécessite des équipements encombrants, dit-il. « Donc, ce que nous avons fait, c’est poser la question : pouvons-nous développer un algorithme d’IA qui pourrait regarder ce qui se passe à la surface, que nous pouvons facilement voir soit à l’aide d’un microscope, soit en prenant une photo, ou peut-être simplement en mesurant des choses sur la surface du matériau, puis essayer de comprendre ce qui se passe réellement à l’intérieur ? » Cette information à l’intérieur peut inclure des dommages, des fissures ou des contraintes dans le matériau, ou des détails de sa microstructure interne.

Les mêmes types de questions peuvent également s’appliquer aux tissus biologiques, ajoute-t-il. « Y a-t-il une maladie à l’intérieur, ou une sorte de croissance ou de changement dans le tissu ? » L’objectif était de développer un système capable de répondre à ces types de questions de manière totalement non invasive.

Atteindre cet objectif a nécessité de s’attaquer à des complexités, notamment le fait que « de nombreux problèmes ont plusieurs solutions », explique Buehler. Par exemple, de nombreuses configurations internes différentes pourraient présenter les mêmes propriétés de surface. Pour traiter cette ambiguïté, « nous avons créé des méthodes qui peuvent nous donner toutes les possibilités, toutes les options, en gros, qui pourraient résulter de ce scénario particulier [de surface] ».

La technique qu’ils ont développée consistait à entraîner un modèle d’IA à l’aide de vastes quantités de données sur les mesures de surface et les propriétés intérieures qui y sont associées. Cela comprenait non seulement des matériaux uniformes, mais aussi des matériaux combinant différents matériaux. « Certains nouveaux avions sont faits de composites, donc ils ont des conceptions délibérées d’avoir différentes phases », explique Buehler. « Et bien sûr, en biologie aussi, tout matériau biologique sera constitué de plusieurs composants et aura des propriétés très différentes, comme dans l’os, où vous avez une protéine très molle, et puis vous avez des substances minérales très rigides. »

La technique fonctionne même pour les matériaux dont la complexité n’est pas totalement comprise, dit-il. « Avec des 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 si nous avons suffisamment de données collectées, nous pouvons entraîner le modèle. »

Yang dit que la méthode qu’ils ont développée est largement applicable. « Elle n’est pas limitée aux problèmes de mécanique des solides, mais peut également être appliquée à différentes disciplines de l’ingénierie, comme la dynamique des fluides et d’autres types. » Buehler ajoute qu’elle peut être appliquée à la détermination d’une variété de propriétés, pas seulement de stress et de contrainte, mais aussi de champs de fluides ou de champs magnétiques, par exemple les champs magnétiques à l’intérieur d’un réacteur de fusion. Elle est « très universelle, non seulement pour différents matériaux, mais aussi pour différentes disciplines. »

Yang dit qu’il a commencé à réfléchir à cette approche lorsqu’il étudiait des données sur un matériau où une partie de l’imagerie qu’il utilisait était floue, et il se demandait comment il serait possible de « remplir le vide » des données manquantes dans la zone floue. « Comment pouvons-nous récupérer ces informations manquantes ? », s’est-il demandé. En lisant plus loin, il a découvert qu’il s’agissait d’un exemple d’un problème courant, connu sous le nom de problème inverse, qui consiste à essayer de récupérer des informations manquantes.

Le développement de la méthode a impliqué un processus itératif, le modèle faisant des prévisions préliminaires, comparant cela avec les données réelles sur le matériau en question, puis affinant le modèle pour correspondre à ces informations. Le modèle résultant a été testé contre des cas où les matériaux sont suffisamment bien compris pour pouvoir calculer les véritables propriétés internes, et les prévisions de la nouvelle méthode ont bien correspondu à ces propriétés calculées.

Les données d’entraînement comprenaient des images des surfaces, mais également diverses autres mesures des propriétés de surface, y compris les contraintes et les 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 lorsque les nombreuses caractéristiques d’un nouveau matériau sont inconnues, la méthode peut toujours générer une approximation suffisamment bonne pour fournir des orientations générales aux ingénieurs sur la façon de poursuivre les mesures ultérieures.

Comme exemple de l’application possible de cette méthodologie, Buehler souligne qu’aujourd’hui, les avions sont souvent inspectés en testant quelques zones représentatives avec des méthodes coûteuses telles que les rayons X, car il serait impraticable de tester l’intégralité de l’avion. «C’est une approche différente, où vous avez une manière beaucoup moins coûteuse de collecter des données et de faire des prédictions», explique Buehler. «À partir de cela, vous pouvez alors prendre des décisions sur où vous voulez regarder et peut-être utiliser un équipement plus coûteux pour le tester.»

Pour commencer, il s’attend à ce que cette méthode, qui est mise gratuitement à la disposition de tous via le site web GitHub, soit principalement appliquée dans des laboratoires, par exemple pour tester les matériaux utilisés dans les applications de robotique souple.

Pour de tels matériaux, dit-il, «Nous pouvons mesurer des choses à la surface, mais nous n’avons aucune idée de ce qui se passe à l’intérieur du matériau, car il est composé d’un hydrogel ou de protéines ou de biomatériaux pour des actionneurs, et il n’y a pas de théorie pour cela. Donc, c’est un domaine où les chercheurs pourraient utiliser notre technique pour faire des prédictions sur ce qui se passe à l’intérieur, et peut-être concevoir de meilleurs préhenseurs ou composites», ajoute-t-il.

La recherche a été soutenue par l’U.S. Army Research Office, l’Air Force Office of Scientific Research, la plateforme GoogleCloud et le MIT Quest for Intelligence.

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!