L'intelligence artificielle révolutionne la vision des défauts cristallins !

Publié par Adrien le 24/09/2020 à 09:00
Source: CEA
...
Restez toujours informé: suivez-nous sur Google Actualités (icone ☆)


CEA
Une étude publiée par des chercheurs du CEA remet en question la définition des défauts dans les cristaux et propose une démarche innovante pour leur caractérisation et leur modélisation à l'échelle atomique en utilisant des techniques d'apprentissage automatique (L'apprentissage automatique (machine-learning en anglais) est une discipline scientifique, qui est...) ('machine learning'). La caractérisation approfondie de ces défauts est indispensable pour mieux comprendre l'évolution des matériaux (Un matériau est une matière d'origine naturelle ou artificielle que l'homme façonne pour en...) en environnement (L'environnement est tout ce qui nous entoure. C'est l'ensemble des éléments naturels et...) hostile, notamment sous irradiation (En physique nucléaire, l'irradiation désigne l'action d'exposer (volontairement ou...) comme dans le coeur d'un réacteur nucléaire (Un réacteur nucléaire est un dispositif dans lequel une réaction en chaîne est...). Cette nouvelle démarche, en dépassant les limites des méthodes traditionnelles, ouvre des perspectives y compris au-delà de la science des matériaux (La science des matériaux repose sur la relation entre les propriétés, la morphologie...). Ces résultats sont publiés dans la revue Nature Communications le 17 septembre 2020.

Les cristaux sont des matériaux couramment employés dans la vie quotidienne, comme par exemple les métaux. Connus pour une organisation atomique quasi parfaite, les cristaux contiennent toujours des imperfections, appelées défauts. La concentration et la morphologie de ces défauts cristallins influencent directement les propriétés des matériaux. Mieux appréhender les défauts et leur évolution aide donc à mieux prévoir les modifications de comportement du matériau avec le temps. Connaître cette évolution est particulièrement crucial pour dimensionner au mieux les installations qui subissent un environnement sévère, par exemple une irradiation.

Aujourd'hui, la science des matériaux moderne sait simuler l'apparition et l'évolution de défauts dans un solide cristallin au moyen de simulations numériques à très grande échelle. Cependant, l'immense flux de données générées rend l'interprétation de ces expériences numériques très complexe. Les travaux de chercheurs du CEA, dont les résultats viennent d'être publiés dans la revue Nature Communications le 17 septembre, proposent une démarche innovante et universelle pour surmonter cette difficulté. Cette nouvelle approche est en effet la première à pouvoir s'appliquer à l'ensemble des matériaux à structure cristalline (La structure cristalline (ou structure d'un cristal) est complètement décrite par les...). En offrant une vision continue d'un défaut et de son environnement, elle facilite la description de processus physiques complexes, comme la migration de défauts sous irradiation.

En s'appuyant sur les méthodes de l'intelligence artificielle, ces chercheurs de la direction des énergies et de la direction des applications militaires du CEA, ont mis au point un algorithme qui décrit les distorsions des environnements atomiques locaux occasionnés par les défauts présents dans le matériau. Cette grandeur facilite la localisation automatique (L'automatique fait partie des sciences de l'ingénieur. Cette discipline traite de la...) des défauts et leur description "hiérarchisée", ce qui permet de distinguer des zones différemment affectées au sein de la structure cristalline.


Cette représentation périodique (un "motif" reproduit à l'infini) montre le niveau de distorsion atteint au sein de la structure cubique centrée du fer par l'insertion de dislocations vis. Les atomes sont colorés en fonction du degré de distorsion atteint: les zones impactées par le champ élastique sont représentées en couleurs sombres. © CEA

Les résultats de cette étude laissent entrevoir des développements très prometteurs pour l'ensemble de la communauté de la science des matériaux. Ces outils numériques conduiront à l'interprétation automatique de grands jeux de données, fournies par exemple par des techniques expérimentales telles que la sonde atomique tomographique, la microscopie (La microscopie est l'observation d'un échantillon (placé dans une préparation microscopique...) électronique en transmission ou le rayonnement synchrotron (Synchrotrons, synchro-cyclotrons et cyclotrons réfèrent à différents types d'accélérateurs...), méthodes d'ores et déjà utilisées pour sonder la matière. Ces développements peuvent de plus être déployés à d'autres domaines comme la chimie, la biologie ou la médecine, par exemple dans la détection de défauts cellulaires qui caractérisent l'apparition d'un cancer.

Références:
Reinforcing materials modelling by encoding the structures of defects in crystalline solids into distortion scores'
A.M. Goryaeva, C. Lapointe, C. Dai, J. Dérès, J.-B. Maillet, M.C. Marinica, Nature Communication (2020)
Page générée en 0.382 seconde(s) - site hébergé chez Contabo
Ce site fait l'objet d'une déclaration à la CNIL sous le numéro de dossier 1037632
A propos - Informations légales | Partenaire: HD-Numérique
Version anglaise | Version allemande | Version espagnole | Version portugaise