Le MIT apprend à une IA à repérer les défauts atomiques des matériaux sans détruire les échantillons

Des chercheurs du MIT ont présenté un modèle d'IA qui aide à repérer et à mesurer les défauts atomiques des matériaux sans détruire l'échantillon. Cette approche pourrait accélérer le développement d'alliages plus résistants, de semi-conducteurs plus efficaces, de batteries et de cellules solaires.

Comment on traque les défauts

En science des matériaux, un défaut ne signifie pas toujours un problème. À l'échelle atomique, ces modifications de la structure sont souvent introduites volontairement pour renforcer la résistance mécanique, changer la conductivité électrique, améliorer le transfert thermique ou augmenter le rendement de conversion de l'énergie. Le problème est ailleurs : après la fabrication, les ingénieurs peinent à déterminer précisément quels défauts sont apparus et à quelle concentration. Beaucoup de méthodes existantes ne voient qu'une partie du tableau, et certaines exigent de découper ou d'endommager autrement l'échantillon.

L'équipe du MIT a tenté de résoudre ce problème en associant apprentissage automatique et diffusion de neutrons. Les chercheurs ont analysé les spectres vibrationnels de matériaux solides, c'est-à-dire la façon dont les atomes du réseau cristallin « bougent » à différentes fréquences. Le modèle a ensuite appris à relier ces signaux à des types précis de défauts ponctuels.

Pour l'entraînement, l'équipe a constitué une base de données de calcul de 2000 matériaux semi-conducteurs, chacun en version avec défauts et sans défauts. Le modèle repose sur le mécanisme de multihead attention, la même famille d'idées d'architecture que celle des modèles de langage actuels.

Ce que les tests ont montré

Après l'entraînement, le modèle a été affiné puis vérifié sur des données expérimentales. Les auteurs écrivent qu'il a su non seulement reconnaître des défauts isolés, mais aussi estimer quantitativement leur teneur dans des échantillons réels. C'est important, car les méthodes de laboratoire classiques répondent souvent soit à la question « quel est ce défaut », soit à « où se trouve-t-il », sans fournir d'estimation quantitative universelle et non destructive pour plusieurs types d'altérations de la structure à la fois.

Selon le MIT, le système a déjà obtenu plusieurs résultats solides :

• la base d'entraînement couvrait 2000 matériaux semi-conducteurs ;
• le modèle couvre 56 éléments du tableau périodique ;
• il peut prédire jusqu'à six défauts ponctuels simultanément ;
• la sensibilité atteint des concentrations d'environ 0,2 pour cent ;
• l'approche a été testée sur un alliage pour l'électronique et sur un matériau supraconducteur distinct.

Les auteurs soulignent que le travail sur des signaux mélangés rend la tâche particulièrement ardue. Quand un matériau contient plusieurs types de défauts, leurs signatures spectrales se chevauchent. Pour l'analyse classique, cela tourne vite à la devinette, mais l'IA a réussi à extraire des motifs même là où les signaux sont presque indiscernables à l'œil.

Où elle pourrait servir

L'intérêt pratique du travail tient au contrôle qualité et au réglage des propriétés des matériaux en production. Aujourd'hui, les fabricants de semi-conducteurs et d'autres matériaux complexes n'appliquent souvent des contrôles invasifs qu'à une petite fraction de la production, car ces tests sont lents, coûteux et détruisent l'échantillon. Résultat : une partie des décisions sur la composition et le réglage du procédé repose sur des estimations et des indices indirects. Un diagnostic plus précis des défauts pourrait réduire les erreurs et accélérer la recherche des caractéristiques voulues.

La méthode actuelle a toutefois une limite : la mesure des spectres vibrationnels par neutrons est trop complexe et trop peu accessible pour un déploiement massif directement sur une ligne d'usine. La prochaine étape du MIT consiste donc à transposer le même principe à des instruments plus courants, d'abord la spectroscopie Raman. Les chercheurs veulent aussi étendre le modèle au-delà des défauts ponctuels et lui apprendre à voir des éléments de structure plus grands, comme les grains et les dislocations.

«

Les défauts sont une arme à double tranchant : des défauts utiles sont parfois nécessaires, mais leur excès dégrade les propriétés du matériau », explique le professeur du MIT Mingda Li.

Ce que cela signifie

Ce travail montre que l'IA devient de plus en plus un outil de mesure pour la science et l'industrie, et pas seulement un générateur de texte ou d'images. Si le MIT parvient à adapter l'approche à des méthodes de spectroscopie plus accessibles, les fabricants disposeront d'un moyen de comprendre plus vite ce qui se passe à l'intérieur d'un matériau et de concevoir plus précisément puces, composants électroniques, batteries et composants énergétiques.