University of Ottawa

Objet publié

Le domaine de la découverte de nouveaux matériaux est témoin de plusieurs techniques intéressantes qui vont de la chimie de synthèse classique aux méthodes de calcul. Les méthodes de chimie synthétique sont normalement basées sur des démarches d’essais et erreurs et s’appuient souvent sur la connaissance expérimentale pour synthétiser des matériaux chimiquement stables. Les démarches d’apprentissage automatique (ML, Machine Learning), qui sont basées sur la modélisation générative profonde (DGM, Deep Generative Modelling), sont louables pour la découverte de nouveaux matériaux en raison de leur capacité impressionnante dans l’analyse d’un espace de conception chimique robuste. Reconnues pour leur rapidité, leur fiabilité et leur faible coût, les techniques DGM peuvent identifier de manière intelligente des corrélations et des modèles cachés dans un jeu de données d’apprentissage en résolvant un schéma de conception inverse. Cependant, les approches d’IA générative de l’apprentissage automatique profond (DGML, Deep Generative Machine Learning) se heurtent à divers obstacles liés à la reconstruction du réseau lors de la phase de décodage, ce qui pourrait mener à deux lacunes majeures. Pour surmonter les difficultés qui ont été relevées, le projet développera des approches d’apprentissage profond progressives pour la découverte de nouveaux matériaux en deux étapes. La première étape s’appuiera sur les atouts techniques d’un modèle de supervision VAE (c’est-à-dire SS-VAE) et d’un modèle GAN auxiliaire (c’est-à-dire A-GAN). L’architecture du modèle est appelée modèle génératif de matériaux limité par le réseau (LCMGM, Lattice Constrained Materials Generative Model). Ce modèle sera utilisé pour présélectionner la pérovskite inorganique stable dont les conformités du réseau cristallin sont compatibles avec des contraintes symétriques prédéfinies à la phase d’encodage. De plus, la deuxième étape comprendra la conception et le développement d’un nouveau modèle génératif de diffusion guidée par la thermodynamique (TGDGM, Guided Diffusive Generative Model) pour la découverte d’une pérovskite organique-inorganique hybride (HOIP, Hybrid Organic-Inorganic Perovskite). Le TGDGM s’appuie sur le LCMGM pour faciliter la recherche autonome de matériaux avec un haut niveau d’évolutivité et de fiabilité. Les structures cristallines de pérovskite générées par l’IA seront synthétisées à l’aide de moyens expérimentaux hautement évolutifs pour répondre à des applications ciblées dans de nombreux domaines de l’ingénierie. Les procédés de synthèse seront développés pour les composés les plus prometteurs découverts par l’IA à l’Université d’Ottawa. L’accent sera mis sur la production de poudres ou de particules aux propriétés optimisées pour de futures recherches sur de nouvelles structures de pérovskites produites par revêtement ou stratification. Deux approches seront étudiées simultanément, en commençant principalement par des particules d’oxydes mixtes : (1) traitement à l’état solide et (2) dépôt en solution (aussi appelé procédé « sol gel »). De plus, une caractérisation approfondie des matériaux permettra d’obtenir d’importantes connaissances et des données sur les matériaux, qui serviront de rétroaction essentielle sur la démarche en boucle fermée pour l’optimisation ultérieure des deux modèles d’apprentissage automatique et des procédés de synthèse, en mettant l’accent sur des applications telles que les photopiles, les matériaux de stockage d’énergie et les catalyseurs.