Si les propriétés des matériaux peuvent être prédites de manière fiable, le processus de développement de nouveaux produits pour une vaste gamme d’industries peut être rationalisé et accéléré. Dans une étude publiée dans Systèmes intelligents avancés, des chercheurs de l’Institut des sciences industrielles de l’Université de Tokyo ont utilisé la spectroscopie de perte de cœur pour déterminer les propriétés des molécules organiques à l’aide de l’apprentissage automatique.
Les techniques de spectroscopie à perte d’énergie de la structure proche du bord (ELNES) et de la structure proche du bord aux rayons X (XANES) sont utilisées pour déterminer des informations sur les électrons, et par là les atomes, dans les matériaux. Ils ont une sensibilité et une résolution élevées et ont été utilisés pour étudier une gamme de matériaux allant des dispositifs électroniques aux systèmes d’administration de médicaments.
Cependant, relier les données spectrales aux propriétés d’un matériau, telles que les propriétés optiques, la conductivité électronique, la densité et la stabilité, reste ambigu. Des approches d’apprentissage automatique (ML) ont été utilisées pour extraire des informations pour de grands ensembles complexes de données. De telles approches utilisent des réseaux de neurones artificiels, basés sur le fonctionnement de notre cerveau, pour apprendre constamment à résoudre des problèmes. Bien que le groupe ait précédemment utilisé les spectres ELNES/XANES et ML pour trouver des informations sur les matériaux, ce qu’ils ont trouvé ne concernait pas les propriétés du matériau lui-même. Par conséquent, les informations ne pouvaient pas être facilement traduites en développements.
Des chercheurs de l’Institut des sciences industrielles de l’Université de Tokyo utilisent une approche d’apprentissage automatique pour prédire avec succès les propriétés des matériaux qui n’ont jamais été déterminées auparavant. Crédit : Institut des sciences industrielles, Université de Tokyo
L’équipe a maintenant utilisé ML pour révéler des informations cachées dans les spectres ELNES/XANES simulés de 22 155 molécules organiques. « Les spectres ELNES/XANES des molécules, ou leurs « descripteurs » dans ce scénario, ont ensuite été entrés dans le système », explique l’auteur principal Kakeru Kikumasa. «Ce descripteur est quelque chose qui peut être mesuré directement dans les expériences et peut donc être déterminé avec une sensibilité et une résolution élevées. Cette méthode est très bénéfique pour le développement de matériaux car elle a le potentiel de révéler où, quand et comment certaines propriétés des matériaux apparaissent.
Un modèle créé à partir des spectres seuls a pu prédire avec succès ce que l’on appelle les propriétés intensives. Cependant, il n’a pas été en mesure de prédire des propriétés étendues, qui dépendent de la taille moléculaire. Par conséquent, pour améliorer la prédiction, le nouveau modèle a été construit en incluant les rapports de trois éléments par rapport au carbone (qui est présent dans toutes les molécules organiques) en tant que paramètres supplémentaires pour permettre de prédire correctement des propriétés étendues telles que le poids moléculaire.
« Notre traitement d’apprentissage ML des spectres de perte de cœur fournit une prédiction précise de propriétés matérielles étendues, telles que l’énergie interne et le poids moléculaire. Le lien entre les spectres de perte de cœur et les propriétés étendues n’a jamais été fait auparavant ; cependant, l’intelligence artificielle a pu dévoiler les connexions cachées. Notre approche pourrait également être appliquée pour prédire les propriétés de nouveaux matériaux et fonctions », explique l’auteur principal Teruyasu Mizoguchi. “Nous pensons que notre modèle sera un outil très utile pour le développement à haut débit de matériaux dans un large éventail d’industries.”
Référence : « Quantification of the Properties of Organic Molecules Using Core-Loss Spectra as Neural Network Descriptors » 15 octobre 2021, Systèmes intelligents avancés.
DOI : 10.1002/aisy.202100103
