L'Intelligence artificielle au service de la science des matériaux

L'Intelligence artificielle au service de la science des matériaux

L’apprentissage automatique, et plus particulièrement les réseaux de neurones, changent profondément notre manière de concevoir et d’étudier les matériaux, en accélérant leur découverte, leur conception et leur simulation. Des avancées remarquables ont été réalisées notamment grâce 
- au développement de modèles prédictifs entraînés sur de vastes bases de données expérimentales et numériques pour estimer les propriétés des matériaux, 
- à l'émergence d'approches génératives (VAE, modèles de diffusion) permettant d'explorer l'espace des structures atomiques possibles, 
- ou encore à la création de potentiels interatomiques appris (MLIPs), informés par la DFT, qui reproduisent la précision des calculs ab initio pour un coût calculatoire considérablement réduit.

Parmi ces approches, les réseaux de neurones informés par la physique (Physics-Informed Neural Networks, PINNs) se distinguent par leur capacité à intégrer directement les lois physiques dans le processus d’apprentissage, ce qui renforce la robustesse, la précision et l’interprétabilité des simulations. 
Dans cet exposé, je donnerai un aperçu rapide de l’état de l’art, puis je montrerai comment les PINNs peuvent être appliqués à la simulation d’un modèle de champ de phase décrivant la croissance dendritique, en mettant en évidence leur potentiel pour relier modélisation fondée sur les données et modélisation physique en science des matériaux.