Surrogate Modeling for the Design of Optimal Lattice Structures using Tensor Completion

Imaginez que vous êtes un chef étoilé tentant d'inventer la recette parfaite. Vous avez un garde-manger rempli d'ingrédients et vous voulez les mélanger de toutes les manières possibles pour trouver le plat qui sera le meilleur. Mais voici le hic : le nombre de combinaisons possibles est si immense que si vous essayiez de cuisiner et de goûter chacune d'entre elles, vous passeriez le reste de votre vie en cuisine. C'est exactement le problème auquel les scientifiques sont confrontés lors de la conception de nouveaux matériaux. Ils ont un « garde-manger » de choix de conception, comme la forme d'une structure microscopique, et ils veulent trouver celle qui est la plus solide ou la plus légère. Pour les aider, ils utilisent des ordinateurs et des algorithmes intelligents (appelés apprentissage automatique ou machine learning) pour deviner quelles recettes fonctionneront sans avoir à les cuisiner d'abord. Cependant, ces ordinateurs intelligents ont généralement besoin de goûter un peu de chaque sorte de recette pour bien apprendre. Dans le monde réel, les scientifiques ne goûtent souvent que les recettes qui sont les plus faciles ou les moins chères à réaliser, laissant de vastes lacunes dans leurs connaissances. Cet article explore une nouvelle façon ingénieuse de combler ces lacunes afin que nous puissions trouver les meilleurs designs de matériaux plus rapidement, même lorsque nos données sont désordonnées et incomplètes.

Les chercheurs derrière cette étude, Shaan Pakala et son équipe, se sont attaqués au défi de la conception de « structures en treillis » (lattice structures). Pensez à ces structures non pas comme des blocs de métal solides, mais comme des nids d'abeilles 3D complexes ou des échafaudages faits de minuscules montants. Ces structures sont incroyables car elles peuvent être incroyablement solides tout en étant très légères, ce qui est parfait pour des choses comme les avions ou les implants médicaux. L'équipe voulait trouver la version optimale de ces treillis — celle qui offre la meilleure performance mécanique (la façon dont elle gère la force) pour son poids.

Habituellement, les scientifiques utilisent des outils d'apprentissage automatique pour prédire comment un nouveau design performera. L'article explique que ces outils fonctionnent très bien lorsque les données d'entraînement (les exemples dont l'ordinateur apprend) sont réparties uniformément, comme si l'on saupoudrait du sucre de manière aléatoire sur un gâteau entier. Mais dans la réalité, les scientifiques échantillonnent souvent de manière inégale. Peut-être ne testent-ils que des designs faciles à construire dans leur laboratoire, ou des designs peu coûteux à fabriquer. Cela crée des données « biaisées », où l'ordinateur voit clairement certaines parties de l'espace de conception mais est aveugle à d'autres. Les auteurs ont constaté que les méthodes d'apprentissage automatique standards, comme les processus gaussiens et XGBoost, ont du mal lorsque les données sont biaisées ; elles ont tendance à s'embrouiller ou à faire du surapprentissage (overfitting) sur les designs spécifiques qu'elles ont vus, échouant ainsi à deviner la performance des modèles non observés.

Pour résoudre cela, l'équipe a proposé une approche différente : traiter le problème de conception comme un puzzle multidimensionnel géant appelé « complétion de tenseur » (tensor completion). Imaginez un Rubik's Cube, mais au lieu de simples couleurs, chaque petit cube contient un nombre représentant la résistance d'un matériau. Si vous ne connaissez que les nombres sur les faces extérieures (parce que ce sont les designs que vous avez testés), la complétion de tenseur est un tour de magie mathématique capable de découvrir les nombres cachés à l'intérieur du cube. Les chercheurs ont transformé leurs conceptions de matériaux en ces puzzles multidimensionnels, où chaque côté du puzzle représentait une variable de conception différente. Ils ont ensuite utilisé des algorithmes pour remplir les pièces manquantes en se basant sur les motifs trouvés dans les pièces connues.

L'équipe a testé cette méthode en simulant un scénario dans lequel un expérimentateur n'aurait testé des designs que dans une région spécifique et pratique de l'espace de recherche, laissant le reste inexploré. Ils ont comparé leur méthode de « complétion de tenseur » aux outils d'apprentissage automatique standards. Les résultats ont montré que si les outils standards fonctionnaient correctement lorsque les données étaient réparties uniformément, la méthode de complétion de tenseur était bien meilleure pour gérer les données biaisées et inégales. En fait, lorsque les données étaient biaisées, la méthode du tenseur a amélioré la précision (mesurée par un score R²) d'environ 5 % par rapport à la meilleure méthode traditionnelle. Elle a également été capable de prédire la performance des designs non vus sans être perturbée par l'échantillonnage inégal.

L'article suggère que cette approche est un nouvel outil puissant pour les scientifiques des matériaux. Il ne prétend pas avoir résolu l'intégralité du problème de la conception des matériaux, mais il montre qu'en considérant le problème comme un puzzle à compléter plutôt que comme une simple liste de points de données à mémoriser, nous pouvons faire de meilleures prédictions sur les nouveaux matériaux. Cela est particulièrement utile lorsque nous ne pouvons pas tester toutes les possibilités. Les auteurs concluent que la complétion de tenseur pourrait être un « modèle de substitution » (surrogate model) prometteur — un substitut intelligent pour les expériences physiques coûteuses — afin d'aider à accélérer la recherche des structures en treillis parfaites, alors même que le nombre de designs possibles croît de manière exponentielle. Ils ont même rendu leur code public afin que d'autres puissent l'essayer et voir s'il fonctionne pour leurs propres puzzles de matériaux.