Un algorithme d’apprentissage actif a découvert des versions à haute entropie des alliages Invar – des matériaux largement utilisés pour les instruments scientifiques et le transport industriel de gaz liquéfiés en raison de leur faible dilatation thermique. La technique pourrait avoir un potentiel important pour rechercher de vastes gammes de compositions de matériaux potentiels afin de trouver un petit nombre avec des propriétés souhaitables.

La découverte en 1895 de l’Invar (de invariant) – un alliage fer-nickel dont le coefficient de dilatation thermique chute brutalement à une composition de nickel d’environ 30 à 45% – a valu à Charles-Edouard Guillaume du Bureau international des poids et mesures le prix Nobel 1920 pour la physique. Cependant, bien qu’il ait une stabilité thermique exceptionnelle, ses propriétés mécaniques telles que la résistance et la ductilité sont moins impressionnantes. Les « alliages Invar » alternatifs sont souvent d’un coût prohibitif ou présentent d’autres inconvénients.

Les chercheurs ont récemment commencé à rechercher des candidats parmi les alliages à haute entropie – des mélanges non conventionnels contenant plusieurs métaux dans des proportions importantes plutôt qu’un seul élément principal. « Auparavant, les gens pensaient que lorsque vous mélangez plus d’éléments dans un alliage, vous obteniez de nombreux précipités, ces précipités rendraient votre alliage super cassant et il ne pourrait être utilisé pour aucune application », explique le scientifique des matériaux Ziyuan Rao du Max- Institut Planck pour la recherche sur le fer à Düsseldorf, Allemagne. « Mais en 2004, les scientifiques ont découvert que lorsque vous avez certaines combinaisons d’éléments spéciaux, vous pouvez obtenir une solution solide – c’était un résultat très surprenant. » Le problème est que l’espace de composition des alliages à haute entropie possibles est effectivement infini, donc rechercher à la main la combinaison qui donne la valeur optimale d’une propriété spécifique est presque impossible.

Rao et ses collègues dirigés par Dierk Raabe ont donc utilisé un algorithme d’apprentissage automatique à optimisation automatique. Ces réseaux de neurones artificiels, qui font des prédictions basées sur un ensemble de données expérimentales initiales, comparent leurs prédictions à des données plus expérimentales et s’apprennent efficacement à affiner leurs prédictions, sont de plus en plus utilisés en chimie et dans d’autres domaines. Cependant, l’ensemble de données expérimental initial était insuffisant pour entraîner l’algorithme. Les chercheurs ont donc utilisé une approche « d’apprentissage actif ». « Nous ne prévoyons pas seulement le coefficient de dilatation thermique : nous prévoyons également l’incertitude », explique Rao. « Nous avons fait des expériences avec des alliages avec une très grande incertitude, ce qui nous a permis d’améliorer les performances de notre modèle. »

À partir de leur ensemble de données initial, leur algorithme a sélectionné 1 000 candidats potentiellement prometteurs – mais très incertains – pour une sélection informatique plus sophistiquée telle que la théorie de la fonctionnelle de la densité. Ceux qui semblaient les plus intéressants ont ensuite été coulés avant que les résultats ne soient ajoutés à l’ensemble de données initial. Finalement, les chercheurs ont trouvé deux alliages Invar à haute entropie de fer, de nickel, de cobalt et de chrome avec des coefficients de dilatation thermique à température ambiante comparables à ceux de Fe₆₅Dans₃₅ – la composition optimale pour l’Invar. Les chercheurs étudient maintenant les autres propriétés de leur matériau. «Le chrome, par exemple, est souvent utilisé pour améliorer le comportement à la corrosion de l’acier inoxydable, de sorte qu’il peut avoir un meilleur comportement à la corrosion que les alliages Invar traditionnels», explique Rao.

Prasanna Balachandran, spécialiste des matériaux computationnels de l’Université de Virginie aux États-Unis, déclare que « le concept d’utilisation des incertitudes pour guider les découvertes de nouveaux matériaux n’est pas nouveau », mais « l’immensité de cet espace de recherche et le fait qu’ils pourraient naviguer dans cet espace et trouver des matériaux potentiellement intéressants avec de meilleures propriétés est la chose remarquable ». Il aimerait maintenant en savoir plus sur ce que la machine apprenait à chaque étape suivante, soulignant que les coefficients de dilatation thermique théoriquement prédits ne concordent pas très bien avec ceux mesurés expérimentalement. « Nous avons vu des résultats similaires dans le passé », dit-il. « Le fait que vous n’ayez pas besoin d’un modèle précis pour découvrir des matériaux nouveaux et inattendus avec de meilleures propriétés est un mystère. »