L’IA derrière les deepfakes peut alimenter les innovations en matière de conception de matériaux

L'IA derrière les deepfakes peut alimenter les innovations en matière de conception de matériaux

Figure 1. Illustration schématique de la modélisation générative pour la conception inverse de matériaux à l’aide d’un réseau contradictoire génératif conditionnel. (A) Procédure d’entraînement accusatoire dans laquelle le générateur et le discriminateur rivalisent pour des performances supérieures. (B) Conception inverse utilisant le générateur formé. Crédit : DOI : 10.20517/jmi.2021.05

La personne qui regarde en arrière depuis l’écran de l’ordinateur n’existe peut-être pas réellement, grâce à l’intelligence artificielle (IA) capable de générer des images convaincantes mais finalement fausses de visages humains. Maintenant, cette même technologie pourrait alimenter la prochaine vague d’innovations dans la conception de matériaux, selon les scientifiques de Penn State.

“Nous entendons beaucoup parler de deepfakes dans l’actualité aujourd’hui – une IA qui peut générer des images réalistes de visages humains qui ne correspondent pas à de vraies personnes”, a déclaré Wesley Reinhart, professeur adjoint de science et d’ingénierie des matériaux et professeur à l’Institute for Computational and Data Sciences. co-embauche, à Penn State. “C’est exactement la même technologie que nous avons utilisée dans nos recherches. Nous échangeons simplement cet exemple d’images de visages humains contre des compositions élémentaires d’alliages haute performance.”

Les scientifiques ont formé un réseau antagoniste génératif (GAN) pour créer de nouveaux alliages réfractaires à haute entropie, des matériaux capables de résister à des températures ultra-élevées tout en conservant leur résistance et qui sont utilisés dans la technologie des aubes de turbine aux fusées.

“Il y a beaucoup de règles sur ce qui fait une image d’un visage humain ou ce qui fait un alliage, et il serait vraiment difficile pour vous de savoir quelles sont toutes ces règles ou de les écrire à la main”, a déclaré Reinhart. “Le principe de ce GAN est que vous avez deux réseaux de neurones qui se font essentiellement concurrence afin d’apprendre quelles sont ces règles, puis de générer des exemples qui suivent les règles.”

L’équipe a passé au peigne fin des centaines d’exemples publiés d’alliages pour créer un ensemble de données d’entraînement. Le réseau dispose d’un générateur qui crée de nouvelles compositions et d’un critique qui essaie de déterminer si elles semblent réalistes par rapport à l’ensemble de données d’entraînement. Si le générateur réussit, il est capable de fabriquer des alliages que le critique croit réels, et comme ce jeu accusatoire se poursuit sur de nombreuses itérations, le modèle s’améliore, ont déclaré les scientifiques.

Après cette formation, les scientifiques ont demandé au modèle de se concentrer sur la création de compositions d’alliage avec des propriétés spécifiques qui seraient idéales pour une utilisation dans les aubes de turbine.

“Nos résultats préliminaires montrent que les modèles génératifs peuvent apprendre des relations complexes afin de générer de la nouveauté à la demande”, a déclaré Zi-Kui Liu, Dorothy Pate Enright, professeur de science et d’ingénierie des matériaux à Penn State. “C’est phénoménal. C’est vraiment ce qui nous manque dans notre communauté informatique en science des matériaux en général.”

La conception traditionnelle ou rationnelle s’est appuyée sur l’intuition humaine pour trouver des modèles et améliorer les matériaux, mais cela est devenu de plus en plus difficile à mesure que la chimie et le traitement des matériaux deviennent de plus en plus complexes, ont déclaré les chercheurs.

“Lorsque vous traitez des problèmes de conception, vous avez souvent des dizaines, voire des centaines de variables que vous pouvez modifier”, a déclaré Reinhart. « Votre cerveau n’est tout simplement pas câblé pour penser dans un espace à 100 dimensions ; vous ne pouvez même pas le visualiser. Donc, une chose que cette technologie fait pour nous est de le compresser et de nous montrer des modèles que nous pouvons comprendre. Nous avons besoin d’outils comme cela pour pouvoir même résoudre le problème. Nous ne pouvons tout simplement pas le faire par la force brute. “

Les scientifiques ont déclaré que leurs découvertes, récemment publiées dans le Journal de l’informatique des matériaux, montrent des progrès vers la conception inverse des alliages.

« Avec une conception rationnelle, vous devez suivre chacune de ces étapes une à la fois ; faire des simulations, vérifier des tableaux, consulter d’autres experts », a déclaré Reinhart. “La conception inverse est essentiellement gérée par ce modèle statistique. Vous pouvez demander un matériau avec des propriétés définies et obtenir 100 ou 1 000 compositions qui pourraient convenir en quelques millisecondes.”

Le modèle n’est cependant pas parfait et ses estimations doivent encore être validées avec des simulations haute fidélité, mais les scientifiques ont déclaré qu’il supprime les conjectures et offre un nouvel outil prometteur pour déterminer les matériaux à essayer.


La découverte informatique d’alliages complexes pourrait accélérer la voie vers une aviation verte


Plus d’information:
Arindam Debnath et al, Apprentissage profond génératif en tant qu’outil pour la conception inverse d’alliages réfractaires à haute entropie, Journal de l’informatique des matériaux (2021). DOI: 10.20517/jmi.2021.05

Fourni par l’Université d’État de Pennsylvanie

Citation: L’IA derrière les deepfakes pourrait alimenter les innovations en matière de conception de matériaux (2021, 9 novembre) récupéré le 9 novembre 2021 sur https://techxplore.com/news/2021-11-ai-deepfakes-power-materials.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable 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.