L’art ancien du kirigami rencontre l’IA pour une meilleure conception des matériaux

L'art ancien rencontre l'IA pour une meilleure conception des matériaux

Les chercheurs se tournent vers le kirigami – un art ancien qui utilise des coupes précises pour créer des images complexes – pour guider les techniques d’intelligence artificielle dans la fabrication de matériaux plus solides et plus extensibles pour l’électronique portable. Crédit : Shutterstock/yuyangc

Kirigami est l’art japonais du papier découpé. Probablement dérivé de l’art chinois du jiǎnzhǐ, il est apparu vers le 7ème siècle au Japon, où il était utilisé pour décorer les temples. Toujours en pratique aujourd’hui, l’artiste kirigami utilise un morceau de papier pour découper des motifs décoratifs, comme des oiseaux et des poissons ou le flocon de neige plus complexe et populaire.

Mais cet art ancien, qui repose sur des coupes rigoureuses pour déterminer ou reproduire des motifs, trouve des applications plus modernes et pratiques dans l’électronique. Plus précisément, dans la fabrication de matériaux extensibles 2D pouvant accueillir des appareils électroniques portables, comme des skins électroniques pour la surveillance de la santé.

Le processus combine l’art du kirigami avec une technique d’intelligence artificielle appelée apprentissage par renforcement autonome. Et pour mieux synchroniser l’ancien avec le nouveau, des chercheurs de l’Université de Californie du Sud utilisent la puissance de calcul dont ils disposent au sein du Laboratoire national d’Argonne du Département américain de l’énergie (DOE).

L’apprentissage par renforcement concerne les actions d’apprentissage qui confèrent une récompense ou un résultat spécifique. Par exemple, grâce à une combinaison d’observation, de répétition et de capacité innée, un bébé girafe apprend à se tenir debout, à marcher et même à courir le jour de sa naissance. Cela l’aide à trouver de la nourriture et à éviter le danger très rapidement.

“C’est une planification complexe, c’est un apprentissage”, déclare Pankaj Rajak, membre principal de ce projet et ancien postdoctorant à l’Argonne Leadership Computing Facility (ALCF), une installation utilisateur du DOE Office of Science. “La question est de savoir si nous pouvons utiliser un comportement similaire dans la conception des matériaux, comme dans ce kirigami, où votre objectif est de créer un matériau plus structuré et hautement extensible, une coupe à la fois. C’est une stratégie intelligente pour déterminer où le les coupures devraient disparaître.”

Les chercheurs ont entrepris de créer une structure de disulfure de molybdène 2D intégrée à l’électronique, comme un dispositif semi-conducteur, qui peut s’étirer mais rester stable.

Des scientifiques expérimentaux ont découvert qu’une série délibérée de coupes précises permettrait au matériau atomiquement mince de s’étirer considérablement, jusqu’à 40 %. Mais, il y avait beaucoup de combinaisons possibles de coupes. Alors, quelles informations le programme d’IA devait-il connaître pour obtenir les bonnes combinaisons ?

Pour fournir au programme des données de départ, comme les observations environnementales d’une girafe, Rajak a effectué 98 500 simulations qui consistaient en une gamme de une à six coupes de différentes longueurs qui déterminaient l’extensibilité.

L’équipe a produit ses simulations sur le supercalculateur ALCF Theta, les complétant en plusieurs mois.

“Vous pourriez avoir deux cents personnes faisant chacune cinq expériences par jour pendant un mois pour collecter les données sur différentes coupes”, note Priya Vashishta, membre de l’équipe. “Ce serait très coûteux en matériel et en temps. Mais dans ce cas, le modèle était raisonnablement bon et produisait des données très similaires aux données expérimentales.”

L'art ancien rencontre l'IA pour une meilleure conception des matériaux

Étirement d’un kirigami atomiquement mince fait de bisulfure de molybdène, qui a été conçu par apprentissage par renforcement et simulé par dynamique moléculaire. Crédit : Ken-ichi Nomura et Pankaj Rajak, Université de Californie du Sud

Après que le modèle ait appris les stratégies de conception de kirigami à partir du plus petit nombre de coupes, les chercheurs l’ont utilisé pour créer huit et 10 coupes, produisant une combinaison d’étirements et de coupes possibles qui s’élevaient à environ un milliard.

“Et s’il a fallu quelques mois pour faire 98 500 simulations et que vous montez de trois ordres de grandeur, c’est toute une vie”, calcule Vashishta.

Mais sans aucune donnée d’entraînement supplémentaire, le modèle a pu créer à lui seul une structure de 10 coupes dépassant 40 % d’extensibilité. Et plus étonnant, cela n’a pris que quelques secondes à produire.

“Donc, il a compris des choses que nous ne lui avions jamais dit de comprendre”, déclare Rajak. “Il a appris quelque chose comme un humain apprend et a utilisé ses connaissances pour faire quelque chose de différent.”

Jusqu’à présent, le travail a servi de test pour déterminer le potentiel de création d’un tel matériau. Déterminer la résistance et la flexibilité grâce à cette méthode kirigami est crucial pour comprendre comment imprimer sur des appareils électroniques qui se déforment et s’étirent jusqu’à 50 % lorsqu’ils sont portés.

Dans une étude connexe, l’équipe a également utilisé l’apprentissage par renforcement pour développer la couche ou la feuille sur laquelle la technique kirigami et l’électronique sont appliquées.

Pour que les coupes fonctionnent comme prévu, les chercheurs ont besoin d’un matériau 2D parfait. Dans ce cas, le disulfure de molybdène. Si cela est fait en laboratoire, les expérimentateurs collent le composé de molybdène et de soufre sur un substrat, ou une couche de blocs de construction, par un processus appelé dépôt chimique en phase vapeur.

“Ils ont littéralement des boutons qu’ils tournent pour appliquer la pression et la température, qui sont fonction du temps”, explique Aiichiro Nakano, membre de l’équipe. “Ils tournent ces boutons, ajoutant ou réduisant un peu ceci ou cela pour obtenir le bon programme de température et de pression de gaz.”

Si cela n’est pas fait avec précision, tout défaut dans la feuille, comme des atomes manquants ou des structures cristallines altérées, peut complètement modifier les performances du produit électronique.

“Comme pour les coupes de kirigami, nous modélisons ce processus par simulation, mais en utilisant l’apprentissage par renforcement pour optimiser le calendrier de dépôt chimique en phase vapeur, cette fois”, ajoute Nakano.

La recherche mentionnée ci-dessus est dérivée de deux articles parus dans npj Matériaux informatiquespubliés le 9 juillet et le 12 juillet 2021, respectivement : “Agent d’apprentissage par renforcement autonome pour la conception de kirigami extensible de matériaux 2D” et “Agent d’apprentissage par renforcement autonome pour la synthèse par dépôt chimique en phase vapeur de matériaux quantiques”.


La conception pliante conduit à un capteur cardiaque avec un profil plus petit


Plus d’information:
Pankaj Rajak et al, agent d’apprentissage par renforcement autonome pour la conception kirigami extensible de matériaux 2D, npj Matériaux informatiques (2021). DOI : 10.1038/s41524-021-00572-y

Pankaj Rajak et al, Agent d’apprentissage par renforcement autonome pour la synthèse par dépôt chimique en phase vapeur de matériaux quantiques, npj Matériaux informatiques (2021). DOI : 10.1038 / s41524-021-00535-3

Fourni par Laboratoire National d’Argonne

Citation: L’art ancien du kirigami rencontre l’IA pour une meilleure conception des matériaux (8 avril 2022) récupéré le 8 avril 2022 sur https://techxplore.com/news/2022-04-ancient-art-kirigami-ai-materials.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.