Par
La doctorante Nina Andrejevic combine la spectroscopie et les techniques d’apprentissage automatique pour identifier des propriétés nouvelles et précieuses dans la matière.
Née dans une famille d’architectes, Nina Andrejevic aimait créer des dessins de sa maison et d’autres bâtiments lorsqu’elle était enfant en Serbie. Elle et sa sœur jumelle partageaient cette passion, ainsi qu’un appétit pour les mathématiques et les sciences. Au fil du temps, ces intérêts ont convergé vers une voie scientifique qui partage certains attributs avec la profession familiale, selon Nina Andrejevic, candidate au doctorat en science et ingénierie des matériaux au MIT.
“L’architecture est un domaine à la fois créatif et technique, où l’on essaie d’optimiser les caractéristiques souhaitées pour certains types de fonctionnalités, comme la taille d’un bâtiment ou la disposition des différentes pièces d’une maison”, explique-t-elle. Le travail d’Andrejevic en matière d’apprentissage automatique ressemble à celui des architectes, estime-t-elle : “Nous partons d’un site vide – un modèle mathématique dont les paramètres sont aléatoires – et notre objectif est de former ce modèle, appelé réseau neuronal, pour qu’il ait la fonctionnalité que nous souhaitons.”
Andrejevic est un conseiller doctoral de Mingda Li, professeur adjoint au département de science et d’ingénierie nucléaires. En tant qu’assistante de recherche dans le groupe de mesures quantiques de Mingda Li, elle forme ses modèles d’apprentissage automatique à la recherche de caractéristiques nouvelles et utiles dans les matériaux. Ses travaux au sein du laboratoire ont été publiés dans des revues majeures telles que Nature Communications, Science avancée, Physical Review Letters, et Nano Letters.
Nina Andrejević (à droite), candidate au doctorat au MIT, a mis au point avec sa sœur jumelle Jovana (à gauche), candidate au doctorat à l’Université Harvard, une méthode permettant de tester des échantillons de matériaux pour prédire la présence de caractéristiques topologiques, plus rapide et plus polyvalente que les autres méthodes. Crédit : Gretchen Ertl
Un domaine d’intérêt particulier pour son groupe est celui des matériaux topologiques. “Ces matériaux sont une phase exotique de la matière qui peut transporter des électrons sur la surface sans perte d’énergie”, explique-t-elle. “Cela les rend très intéressants pour réaliser des technologies plus efficaces sur le plan énergétique”.
Avec sa sœur Jovana, doctorante en physique appliquée à l’université de Harvard, Andrejevic a mis au point une méthode pour tester des échantillons de matériaux afin de prédire la présence de caractéristiques topologiques, méthode plus rapide et plus polyvalente que les autres.
Si le but ultime est de “produire des technologies plus performantes et plus économes en énergie”, dit-elle, “nous devons d’abord savoir quels matériaux sont de bons candidats pour ces applications, et c’est quelque chose que notre recherche peut aider à confirmer”.
Faire équipe
Les graines de cette recherche ont été plantées il y a plus d’un an. “Ma sœur et moi avons toujours dit que ce serait cool de faire un projet ensemble, et lorsque Mingda a suggéré cette étude des matériaux topologiques, il m’est venu à l’esprit que nous pourrions en faire une collaboration officielle”, explique Andrejevic. Les deux sœurs se ressemblent plus que la plupart des jumelles, note-t-elle, et partagent de nombreux intérêts académiques. “Être jumelle représente une part importante de ma vie et nous travaillons bien ensemble, nous aidant mutuellement dans les domaines que nous ne comprenons pas.”
Le travail de thèse d’Andrejevic, qui englobe plusieurs projets, utilise des techniques spectroscopiques spécialisées et des analyses de données, soutenues par l’apprentissage automatique, qui peut trouver des modèles dans de grandes quantités de données plus efficacement que les ordinateurs les plus performants.
Lorsqu’elle obtiendra son diplôme cet hiver, Nina Andrejević se dirigera vers l’Argonne National Laboratory, où elle prévoit de se concentrer sur la conception de réseaux neuronaux informés par la physique. Crédit : Gretchen Ertl
“Le fil conducteur de tous mes projets est cette idée d’essayer d’accélérer ou d’améliorer notre compréhension lorsque nous appliquons ces outils de caractérisation, et d’obtenir ainsi des informations plus utiles que celles que nous pouvons obtenir avec des modèles plus traditionnels ou approximatifs”, explique-t-elle. Les recherches des jumeaux sur les matériaux topologiques en sont un bon exemple.
Afin d’identifier les propriétés nouvelles et potentiellement utiles des matériaux, les chercheurs doivent les interroger à l’échelle atomique et quantique. Les techniques de spectroscopie neutronique et photonique peuvent aider à saisir des structures et des dynamiques jusqu’alors non identifiées, et à déterminer comment la chaleur, les champs électriques ou magnétiques et les contraintes mécaniques affectent les matériaux au niveau lilliputien. Les lois qui régissent cetteoù les matériaux ne se comportent pas comme ils le devraient à l’échelle macro, sont celles de la mécanique quantique.
Les approches expérimentales actuelles pour identifier les matériaux topologiques sont techniquement difficiles et inexactes, ce qui peut exclure des candidats viables. Les sœurs pensaient pouvoir éviter ces écueils en utilisant une technique d’imagerie largement appliquée, appelée spectroscopie d’absorption des rayons X (XAS), associée à un réseau neuronal entraîné. La spectroscopie d’absorption des rayons X envoie des faisceaux de rayons X focalisés dans la matière pour aider à cartographier sa géométrie et sa structure électronique. Les données de rayonnement qu’elle fournit offrent une signature unique au matériau échantillonné.
“Nous voulions développer un réseau neuronal capable d’identifier la topologie à partir de la signature XAS d’un matériau, une mesure beaucoup plus accessible que celle des autres approches”, explique Andrejevic. “Cela nous permettrait, nous l’espérons, de passer au crible une catégorie beaucoup plus large de matériaux topologiques potentiels”.
Pendant des mois, les chercheurs ont alimenté leur réseau neuronal en informations provenant de deux bases de données : l’une contenait des matériaux théoriquement prédits comme étant topologiques, et l’autre des données d’absorption de rayons X pour un large éventail de matériaux. “Lorsqu’il est correctement entraîné, le modèle devrait servir d’outil pour lire les nouvelles signatures XAS qu’il n’a jamais vues auparavant et vous dire si le matériau qui a produit le spectre est topologique”, explique Andrejevic.
La technique du duo de chercheurs a donné des résultats prometteurs, qu’ils ont déjà publiés dans une préimpression, “
.Apprentissage automatique d’indicateurs spectraux de la topologie.” “Pour moi, ce qui est passionnant dans ces projets d’apprentissage automatique, c’est de voir certains modèles sous-jacents et d’être capable de les comprendre en termes de quantités physiques”, explique Andrejevic.
Vers l’étude des matériaux
C’est au cours de sa première année à l’université Cornell qu’Andrejevic a ressenti pour la première fois le plaisir d’observer la matière à un niveau intime. Après un cours sur les nanosciences et la nano-ingénierie, elle a rejoint un groupe de recherche chargé d’étudier les matériaux à l’échelle atomique. “Je suis une personne très visuelle, et cette idée de pouvoir voir des choses qui, jusque-là, n’étaient que des équations ou des concepts – c’était vraiment excitant”, dit-elle. “Cette expérience m’a rapprochée du domaine de la science des matériaux”.
L’apprentissage automatique, qui a joué un rôle essentiel dans le travail de doctorat d’Andrejevic, sera au cœur de sa vie après le MIT. Lorsqu’elle obtiendra son diplôme cet hiver, elle se dirigera directement vers l’Argonne National Laboratory, où elle a obtenu une prestigieuse bourse Maria Goeppert Mayer, attribuée “au niveau international à des scientifiques et ingénieurs doctorants exceptionnels qui sont au début d’une carrière prometteuse”. “Nous allons essayer de concevoir des réseaux neuronaux informés par la physique, en nous concentrant sur les matériaux quantiques”, explique-t-elle.
Cela signifiera dire au revoir à sa sœur, dont elle n’a jamais été séparée longtemps. “Ce sera très différent”, déclare Mme Andrejevic. Mais, ajoute-t-elle, “j’espère que Jovana et moi collaborerons davantage à l’avenir, quelle que soit la distance !”
