Unsupervised Machine-Learning Pipeline for Data-Driven Defect Detection and Characterisation: Application to Displacement Cascades

Cette étude présente un pipeline d'apprentissage automatique non supervisé, combinant des vecteurs SOAP, des autoencodeurs, UMAP et HDBSCAN, qui détecte et caractérise automatiquement les défauts atomiques générés par des cascades de déplacement dans divers matériaux sans nécessiter de réglage de seuils ni de modèles préétablis.

L'essentiel

🛡️ Le Détective Invisible : Comment l'IA trouve les "micro-accidents" dans les métaux

Imaginez que vous avez un mur de briques parfait (un métal). Soudain, un projectile très rapide (un neutron) percute ce mur. Cela crée une réaction en chaîne : des briques sont éjectées, d'autres sont déplacées, et il se forme des trous ou des tas de débris. C'est ce qu'on appelle une cascade de déplacement.

Dans les réacteurs nucléaires, ces micro-accidents s'accumulent avec le temps et peuvent faire casser le métal. Le problème ? Ces dégâts sont si petits et si nombreux qu'il est très difficile de les voir à l'œil nu ou avec les outils classiques.

C'est là que cette équipe de chercheurs (de Lille et d'EDF) a eu une idée brillante : au lieu de chercher à deviner à quoi ressemble un défaut, ils ont appris à une intelligence artificielle à reconnaître ce qui est "normal", pour qu'elle repère toute anomalie par elle-même.

Voici comment leur méthode fonctionne, étape par étape, avec des analogies du quotidien :

1. La Carte d'Identité de chaque atome (SOAP)

Imaginez que chaque atome du métal a une carte d'identité unique. Les chercheurs utilisent un outil mathématique (appelé SOAP) qui prend une photo de l'environnement immédiat de chaque atome (ses voisins) et la transforme en une longue liste de chiffres.

• L'analogie : C'est comme si chaque personne dans une foule avait un code-barres qui décrit exactement qui se tient à côté d'elle.

2. L'Entraînement du "Miroir" (Auto-encodeur)

Avant de regarder les dégâts, l'ordinateur regarde un mur de briques parfait (sans aucun accident). Il apprend à recréer la carte d'identité de chaque atome "normal".

• L'analogie : Imaginez un artiste qui dessine des portraits de gens normaux des milliers de fois. Il connaît par cœur à quoi ressemble un visage "normal".
• Ensuite, on lui montre le mur abîmé. Si l'atome est normal, l'artiste le redessine parfaitement. Mais si l'atome est dans un trou ou un tas de débris, l'artiste se trompe et fait un dessin moche.
• Le résultat : Plus le dessin est moche (l'erreur est grande), plus l'atome est suspect. L'IA a ainsi repéré les "outliers" (les atomes qui ne vont pas).

3. Le Tri des suspects (UMAP et HDBSCAN)

Maintenant, l'IA a une liste de milliers d'atomes suspects. Mais ils sont tous différents ! Pour les comprendre, il faut les regrouper.

• L'analogie : Imaginez que vous avez une boîte pleine de pièces de puzzle mélangées. Vous voulez les trier.
  • UMAP est comme une machine qui écrase le tas de pièces en 2D pour que les pièces qui se ressemblent se collent les unes aux autres.
  • HDBSCAN est comme un détective qui regarde cette carte 2D et dit : "Tiens, tous ceux qui sont regroupés ici forment un groupe : ce sont des trous (vacances). Et ceux-là, ce sont des tas de briques en trop (interstitiels)."
• Le génie : L'IA ne sait pas à l'avance ce qu'est un "trou" ou un "tas". Elle découvre toute seule que certains atomes forment des motifs similaires, comme si elle apprenait à catégoriser les animaux sans jamais avoir vu un livre sur la zoologie.

4. Les Résultats : Une Cartographie Précise

En appliquant cette méthode à trois matériaux (Nickel, un acier spécial, et du Zirconium), les chercheurs ont pu :

• Repérer les défauts avec une précision incroyable, même ceux qui sont très petits ou très complexes.
• Les classer : L'IA a réussi à distinguer les "trous" (là où il manque un atome) des "briques en trop" (là où un atome est coincé).
• Comparer avec les méthodes classiques : Les méthodes traditionnelles sont comme des filtres à café : elles sont bonnes pour certains types de grains, mais manquent les autres. L'IA, elle, est comme un tamis intelligent qui attrape tout ce qui ne ressemble pas au café normal, sans avoir besoin de régler le filtre à chaque fois.

Pourquoi est-ce important ?

C'est comme passer d'une inspection visuelle manuelle (où l'on peut rater des détails) à un scanner médical automatique pour les matériaux.

• Pas de préjugés : L'IA ne cherche pas ce qu'elle pense être un défaut. Elle trouve tout ce qui est bizarre. Cela permet de découvrir des types de dégâts que les scientifiques ne connaissaient pas encore.
• Gain de temps : Cela permet d'analyser des quantités massives de données de simulations en quelques secondes.
• Sécurité : En comprenant mieux comment les matériaux vieillissent sous l'effet des radiations, on peut construire des réacteurs nucléaires plus sûrs et plus durables.

En résumé : Les chercheurs ont créé un détective numérique qui apprend à reconnaître la "normalité" d'un métal, puis qui pointe du doigt tout ce qui est "anormal", pour ensuite trier ces anomalies en familles cohérentes. C'est une révolution pour comprendre comment les matériaux résistent (ou cèdent) face aux radiations.

Résumé technique

Titre

Pipeline d'apprentissage non supervisé pour la détection et la caractérisation de défauts guidée par les données : Application aux cascades de déplacement

1. Problématique

L'irradiation neutronique des matériaux structurels (notamment pour les réacteurs nucléaires) génère des cascades de déplacement qui créent, en quelques picosecondes, une diversité de défauts ponctuels (lacunes, interstitiels) et étendus (boucles de dislocation, empilements). Cette "dommage primaire" détermine l'évolution microstructurale à long terme (durcissement, fragilisation, gonflement).
Le défi majeur réside dans la caractérisation atomistique de ces défauts, particulièrement aux échelles de temps femtosecondes à picosecondes, inaccessibles expérimentalement. Les méthodes classiques de détection (CS, CNA, PTM, DXA, etc.) reposent sur des modèles topologiques ou des bases de données de structures parfaites. Elles peinent souvent à détecter des défauts subtils, complexes ou non représentés dans leurs bases de référence, et peuvent être sensibles aux fluctuations thermiques et aux contraintes, tout en étant coûteuses en temps de calcul pour de grands systèmes.

2. Méthodologie

Les auteurs proposent un flux de travail (pipeline) entièrement non supervisé combinant des descripteurs atomistiques et des algorithmes d'apprentissage automatique (ML) pour identifier et classifier les défauts directement à partir de données de dynamique moléculaire (DM).

Le pipeline se décompose en quatre étapes clés :

1. Encodage des environnements locaux (SOAP) :

   • Les environnements atomiques locaux (LAE) sont encodés à l'aide des descripteurs SOAP (Smooth Overlap of Atomic Positions).
   • Ces vecteurs sont invariants par rotation, translation et permutation des atomes.
   • Des paramètres spécifiques sont utilisés pour les systèmes cubiques à faces centrées (cfc : Ni, FeNiCr) et hexagonaux compacts (hc : Zr).

2. Détection des anomalies (Autoencodeurs - AE) :

   • Un réseau de neurones Autoencodeur (AE) est entraîné exclusivement sur des structures de référence sans défaut (cristaux parfaits à 100 K).
   • L'objectif est d'apprendre à reconstruire les environnements "normaux".
   • Lorsqu'un atome appartient à un environnement défectueux, l'erreur de reconstruction (MSE) est élevée. Un seuil est appliqué sur cette erreur pour isoler les atomes "hors normes" (outliers), considérés comme participants à des défauts.

3. Réduction de dimensionnalité (UMAP) :

   • Les vecteurs SOAP des atomes identifiés comme outliers sont projetés dans un espace de faible dimension (2D) à l'aide de l'algorithme UMAP (Uniform Manifold Approximation and Projection).
   • UMAP préserve à la fois les relations de voisinage locales et la structure globale, permettant de séparer efficacement les motifs structuraux complexes.

4. Clustering (HDBSCAN) :

   • Les données projetées sont regroupées à l'aide de HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise).
   • Contrairement aux méthodes nécessitant un nombre de clusters prédéfini, HDBSCAN identifie des groupes de formes et de densités arbitraires, séparant les motifs structuraux récurrents (ex: cages de lacunes, cœurs de dumbbells, agrégats complexes).

3. Contributions Clés

• Approche entièrement non supervisée : Le système ne nécessite aucune donnée étiquetée ni aucun ajustement de seuil basé sur des connaissances a priori des types de défauts.
• Universalité du pipeline : La méthode est appliquée avec succès à des systèmes cristallins de symétries différentes (cfc et hc) et à des compositions chimiques variées (Ni pur, alliage FeNiCr, Zr).
• Détection de motifs complexes : Capacité à identifier non seulement les défauts simples, mais aussi des agrégats étendus et des structures hiérarchiques complexes (comme les motifs de type A15/Frank-Kasper) sans modèle de référence.
• Outils de validation quantitative : Introduction d'un score d'identification de cluster (CID) et de courbes de calibration reliant le nombre d'atomes "outliers" au nombre net de défauts (lacunes/interstitiels).

4. Résultats

L'étude porte sur des simulations de cascades de déplacement à 80 keV dans le Ni, l'alliage Fe70Ni10Cr20 et le Zr.

• Détection des outliers : Les autoencodeurs identifient avec précision moins de 0,13 % des atomes comme anormaux, ce qui correspond à la densité de dommages résiduels attendue.
• Classification des défauts :
  • HDBSCAN partitionne les outliers en groupes compacts et bien définis.
  • Pour les systèmes cfc (Ni, FeNiCr), les groupes correspondent aux cages de lacunes, aux cœurs de dumbbells (interstitiels), aux atomes "halo" autour des dumbbells, et à de grands agrégats.
  • Pour le Zr (hc), la méthode distingue également les interstitiels isolés, les complexes interstitiels étendus et les agrégats de lacunes.
  • Plus de 99,7 % des atomes outliers sont assignés à des motifs physiques cohérents.
• Validation par rapport aux méthodes classiques :
  • Une comparaison statistique avec des méthodes conventionnelles (CS, PTM, DXA, VOR, CA) montre que le pipeline ML atteint des scores F1 comparables aux meilleures méthodes (DXA, CS) tout en évitant le réglage de seuils.
  • Le ML récupère 70 à 90 % des défauts détectés par les méthodes à haute spécificité.
  • Complémentarité avec PTM : Le ML détecte les "enveloppes" déformées autour des cœurs icosahédraux (repérés par PTM), offrant une vue d'ensemble plus complète des agrégats complexes que la simple correspondance de modèle.
• Corrélation taille/défaut : Une relation quadratique forte ($R^2 > 0,89$) est établie entre le nombre d'atomes outliers dans un agrégat et le nombre net de défauts, permettant d'estimer la population de défauts à partir du nombre d'atomes perturbés.

5. Signification et Perspectives

Ce travail démontre qu'un pipeline ML basé sur SOAP, AE, UMAP et HDBSCAN constitue un outil robuste et efficace pour la cartographie quantitative des anomalies structurales dans les matériaux irradiés.

• Avantages majeurs : Élimination du besoin de bases de données de modèles de défauts, capacité à traiter des structures cristallines complexes et anisotropes, et robustesse face au bruit thermique.
• Impact : Cette méthode permet de générer des catalogues de défauts fiables pour alimenter les simulations multi-échelles (modélisation de l'évolution à long terme des matériaux).
• Perspectives futures : Les auteurs prévoient d'appliquer cette méthode à l'accumulation de cascades (dommage cumulatif), d'intégrer des contraintes physiques ou des données semi-supervisées pour stabiliser la détection, et d'étendre le cadre à d'autres matériaux et énergies de recul.

En résumé, cette étude valide une approche "data-driven" qui complète et dépasse les méthodes traditionnelles pour la caractérisation fine des dommages d'irradiation, ouvrant la voie à une analyse automatisée et interprétable de vastes bases de données de simulations atomistiques.