Le concept d’ordre à courte portée (SRO) – la disposition des atomes sur de petites distances – dans les alliages métalliques a été sous-exploré en science et en ingénierie des matériaux. Cependant, la dernière décennie a vu un regain d’intérêt pour sa quantification, car comprendre le SRO est crucial pour développer des alliages hautes performances sur mesure, tels que des matériaux plus solides ou résistants à la chaleur.
Comprendre comment les atomes s’organisent n’est pas une tâche facile et doit être vérifié à l’aide d’expériences intensives en laboratoire ou de simulations informatiques basées sur des modèles imparfaits. Ces obstacles ont rendu difficile l’exploration complète du SRO dans les alliages métalliques.
Mais Killian Sheriff et Yifan Cao, étudiants diplômés du Département de science et d’ingénierie des matériaux (DMSE) du MIT, utilisent l’apprentissage automatique pour quantifier, atome par atome, les arrangements chimiques complexes qui composent le SRO. Sous la supervision du professeur adjoint Rodrigo Freitas et avec l’aide de la professeure adjointe Tess Smidt du Département de génie électrique et d’informatique, leurs travaux ont récemment été publiés dans les Actes de l’Académie nationale des sciences.
L’intérêt pour la compréhension du SRO est lié à l’engouement suscité par les matériaux avancés appelés alliages à haute entropie, dont les compositions complexes leur confèrent des propriétés supérieures.
En règle générale, les scientifiques des matériaux développent des alliages en utilisant un élément comme base et en ajoutant de petites quantités d’autres éléments pour améliorer des propriétés spécifiques. L’ajout de chrome au nickel, par exemple, rend le métal obtenu plus résistant à la corrosion.
Contrairement à la plupart des alliages traditionnels, les alliages à haute entropie contiennent plusieurs éléments, de trois à vingt, dans des proportions presque égales. Cela offre un vaste espace de conception. « C’est comme si vous prépariez une recette avec beaucoup plus d’ingrédients », explique Cao.
L’objectif est d’utiliser le SRO comme un « bouton » pour adapter les propriétés des matériaux en mélangeant de manière unique des éléments chimiques dans des alliages à haute entropie. Cette approche a des applications potentielles dans des secteurs tels que l’aérospatiale, la biomédecine et l’électronique, ce qui nécessite d’explorer les permutations et les combinaisons d’éléments, explique Cao.
Capturer l’ordre à courte portée
L’ordre à courte portée fait référence à la tendance des atomes à former des arrangements chimiques avec des atomes voisins spécifiques. Même si un examen superficiel de la distribution élémentaire d’un alliage peut indiquer que ses éléments constitutifs sont disposés de manière aléatoire, ce n’est souvent pas le cas. « Les atomes préfèrent avoir des atomes voisins spécifiques disposés selon des motifs particuliers », explique Freitas. « La fréquence à laquelle ces modèles apparaissent et la manière dont ils sont distribués dans l’espace sont ce qui définit le SRO. »
Comprendre SRO ouvre les clés du royaume des matériaux à haute entropie. Malheureusement, on sait peu de choses sur le SRO dans les alliages à haute entropie. « C’est comme si nous essayions de construire un énorme modèle Lego sans savoir quel est le plus petit morceau de Lego que vous puissiez avoir », explique Sheriff.
Les méthodes traditionnelles pour comprendre le SRO impliquent de petits modèles informatiques ou des simulations avec un nombre limité d’atomes, fournissant une image incomplète des systèmes matériels complexes. « Les matériaux à haute entropie sont chimiquement complexes : vous ne pouvez pas bien les simuler avec seulement quelques atomes ; vous devez vraiment dépasser quelques échelles de longueur pour capturer le matériau avec précision », explique Sheriff. « Sinon, c’est comme essayer de comprendre son arbre généalogique sans connaître l’un des parents. »
Le SRO a également été calculé en utilisant des mathématiques de base, en comptant les voisins immédiats de quelques atomes et en calculant à quoi pourrait ressembler cette distribution en moyenne. Malgré sa popularité, cette approche présente des limites, car elle offre une image incomplète du SRO.
Heureusement, les chercheurs exploitent l’apprentissage automatique pour surmonter les lacunes des approches traditionnelles de capture et de quantification du SRO.
Hyunseok Oh, professeur adjoint au Département de science et d’ingénierie des matériaux de l’Université du Wisconsin à Madison et ancien postdoctorant au DMSE, est ravi d’étudier plus en profondeur le SRO. Oh, qui n’a pas participé à cette étude, explore comment tirer parti de la composition des alliages, des méthodes de traitement et de leur relation avec le SRO pour concevoir de meilleurs alliages. « La physique des alliages et l’origine atomistique de leurs propriétés dépendent de l’ordre à courte portée, mais le calcul précis de l’ordre à courte portée a été presque impossible », explique Oh.
Une solution d’apprentissage automatique à deux volets
Pour étudier le SRO à l’aide de l’apprentissage automatique, il est utile d’imaginer la structure cristalline des alliages à haute entropie comme un jeu de liens dans un livre de coloriage, explique Cao. « Vous devez connaître les règles permettant de relier les points pour voir le modèle. » Et vous devez capturer les interactions atomiques avec une simulation suffisamment grande pour s’adapter à l’ensemble du modèle.
Premièrement, comprendre les règles impliquait de reproduire les liaisons chimiques dans des alliages à haute entropie. « Il existe de petites différences d’énergie dans les modèles chimiques qui conduisent à des différences à courte portée, et nous ne disposions pas d’un bon modèle pour le faire », explique Freitas. Le modèle développé par l’équipe est le premier élément de base permettant de quantifier avec précision le SRO.
La deuxième partie du défi, garantir que les chercheurs aient une vue d’ensemble, était plus complexe. Les alliages à haute entropie peuvent présenter des milliards de « motifs » chimiques, des combinaisons d’arrangements d’atomes. L’identification de ces motifs à partir de données de simulation est difficile car ils peuvent apparaître sous des formes symétriquement équivalentes : pivotées, reflétées ou inversées. À première vue, ils peuvent paraître différents mais contiennent toujours les mêmes liaisons chimiques.
L’équipe a résolu ce problème en employant Réseaux de neurones euclidiens 3D. Ces modèles informatiques avancés ont permis aux chercheurs d’identifier des motifs chimiques à partir de simulations de matériaux à haute entropie avec des détails sans précédent, en les examinant atome par atome.
La tâche finale consistait à quantifier le SRO. Freitas a utilisé l’apprentissage automatique pour évaluer les différents motifs chimiques et étiqueter chacun avec un numéro. Lorsque les chercheurs souhaitent quantifier le SRO d’un nouveau matériau, ils l’exécutent à l’aide du modèle, qui le trie dans sa base de données et génère une réponse.
L’équipe a également investi des efforts supplémentaires pour rendre leur cadre d’identification de motifs plus accessible. « Nous avons cette feuille de toutes les permutations possibles de [SRO] déjà mises en place, et nous savons quel nombre chacun d’eux a obtenu grâce à ce processus d’apprentissage automatique », explique Freitas. « Ainsi, plus tard, au fur et à mesure que nous exécuterons des simulations, nous pourrons les trier pour nous dire à quoi ressemblera ce nouveau SRO. » Le réseau neuronal reconnaît facilement les opérations de symétrie et marque les structures équivalentes avec le même numéro.
« Si vous deviez compiler toutes les symétries vous-même, cela représenterait beaucoup de travail. L’apprentissage automatique a organisé cela pour nous très rapidement et d’une manière suffisamment bon marché pour que nous puissions l’appliquer dans la pratique », explique Freitas.
Entrez dans le supercalculateur le plus rapide du monde
Cet été, Cao, Sheriff et leur équipe auront l’occasion d’explorer comment le SRO peut changer dans les conditions courantes de traitement des métaux, comme le moulage et le laminage à froid, par le biais du département américain de l’Énergie. Programme INCITE qui permet d’accéder à Frontière, le supercalculateur le plus rapide du monde.
« Si vous voulez savoir comment l’ordre à court terme change au cours de la fabrication réelle des métaux, vous devez disposer d’un très bon modèle et d’une très grande simulation », explique Freitas. L’équipe dispose déjà d’un modèle solide ; il exploitera désormais les installations informatiques d’INCITE pour les simulations robustes requises.
« Nous espérons ainsi découvrir le type de mécanismes que les métallurgistes pourraient utiliser pour concevoir des alliages avec un SRO prédéterminé », ajoute Freitas.
Sheriff est enthousiasmé par les nombreuses promesses de la recherche. L’une concerne les informations 3D qui peuvent être obtenues sur le SRO chimique. Alors que les microscopes électroniques à transmission traditionnels et d’autres méthodes se limitent aux données bidimensionnelles, les simulations physiques peuvent combler les points et donner un accès complet aux informations 3D, explique Sheriff.
« Nous avons introduit un cadre pour commencer à parler de complexité chimique », explique Sheriff. « Maintenant que nous pouvons comprendre cela, il existe tout un corps de science des matériaux sur les alliages classiques pour développer des outils prédictifs pour les matériaux à haute entropie. »
Cela pourrait conduire à la conception ciblée de nouvelles classes de matériaux au lieu de simplement filmer dans le noir.
La recherche a été financée par le MathWorks Ignition Fund, le MathWorks Engineering Fellowship Fund et la Fondation portugaise pour la coopération internationale en science, technologie et enseignement supérieur dans le cadre du programme MIT-Portugal.
