ENACT - Apprentissage Automatique Génératif pour la Conception de Microstructures : Une Approche Informée à l'Échelle Atomique pour l'Ingénierie des Interfaces

Mots clés

Réseaux Antagonistes Génératifs (GAN), joints de grains, apprentissage profond, mécanique, plasticité, métaux

Détail de l'offre

Les matériaux inorganiques sont essentiels dans de nombreux secteurs industriels. Comprendre leur comportement mécanique, en particulier la déformation plastique, est un enjeu majeur en science des matériaux. Cependant, la prédiction de leur réponse mécanique reste un défi pour les modélisations actuelles, notamment dans le cas des matériaux d'ingénierie avancés comportant une forte densité d'interfaces (joints de grains, etc.) à différentes échelles. Les modèles existants négligent souvent les détails atomiques spécifiques aux interfaces, ce qui limite considérablement la capacité à prédire la mécanique des matériaux dominés par les interfaces. Pour surmonter cette limitation, nous proposons une approche multi-échelle fondée sur les données, utilisant des champs de densité de défauts locaux (densité de dislocation de Nye) dans un cadre de mécanique des milieux continus établi et efficace (la Mécanique des Dislocations de Champ) afin de relier les données de simulations atomiques aux modèles mésoscopiques. Dans ce contexte général, ce projet de doctorat se concentre sur la génération par apprentissage machine (AM) des nanostructures d'interfaces et de défauts (dislocations), à partir de données issues de simulations atomistiques classiques.
Ces simulations sont idéales pour modéliser les interfaces à résolution atomique sur divers matériaux et constituent la base de données du projet. L'aluminium est choisi comme matériau de référence pour ses mécanismes de plasticité bien connus, mais le modèle sera étendu à des matériaux plus complexes, comme les alliages de magnésium. Les configurations de simulation permettront de contrôler les caractéristiques des interfaces, d'explorer de nombreuses configurations, et de générer les données variées et fiables nécessaires à l'entraînement du modèle ML. La méthode « G-method », récemment développée dans l'équipe (6), fera le lien entre les résultats atomistiques et les modèles continus.
L'objectif principal de ce doctorat est de générer des champs de densité de défauts décrivant les interfaces avec une précision atomique, via des approches d'apprentissage automatique génératif. Il s'agira de prédire les champs de dislocation de Nye pour diverses combinaisons de défauts, en s'appuyant sur un modèle capable de gérer la complexité de ces configurations.
Le Réseau Antagoniste Génératif (GAN) est un excellent candidat pour cette tâche. C'est une approche d'apprentissage profond capable de générer des données utilisé avec succès dans la génération de microstructures (7–9). En bref, un GAN comprend deux modèles ML entraînés simultanément et mis en concurrence via un équilibre de Nash : le générateur produit des données similaires aux données d'entraînement, tandis que le discriminateur tente de distinguer les données générées des vraies données. Les GAN classiques sont sujets à des problèmes bien connus (effondrement de mode, gradients nuls, etc.), mais la littérature propose de nombreuses solutions via des architectures alternatives telles que WGAN ou CycleGAN. Un aspect supplémentaire propre à ce projet est que les lois physiques gouvernant les données générées sont connues (périodicité, équilibre, etc.). En les intégrant dans les données d'entraînement ou dans la fonction de coût minimisée lors de l'entraînement, nous obtiendrons une approche d'apprentissage automatique informée par la physique, ce qui facilitera l'entraînement du GAN (10).
Les résultats attendus de ce doctorat sont : (i) établir une architecture GAN capable de générer des champs de densité de défauts pour les interfaces, (ii) mieux comprendre le rôle des caractéristiques interfaciales dans la plasticité des matériaux d'ingénierie avancés. L'approche d'apprentissage profond développée dans ce projet de doctorat permettra de mettre en place un paradigme sans précédent de modélisation multi-échelle des matériaux, et établira les bases d'une ingénierie des interfaces fondée sur la physique dans les matériaux cristallins.