Réduire le cycle d’identification de matériaux innovants de vingt ans à seulement cinq à dix ans. Tel est l’ambitieux objectif de Diadem, un programme et équipement prioritaire de recherche (PEPR) chargé des dispositifs intégrés pour l’accélération du déploiement de matériaux émergents. C’est un domaine où les progressions par essai-erreur sont prépondérantes.
« Ce processus itératif, caractérisé par la mise à l’épreuve de divers paramètres pour ajuster l’essai jusqu’à ce que le résultat optimal soit atteint, requiert un temps dont nous ne disposons pas dans ce contexte d’urgence environnementale », expose Mario Maglione, coporteur du PEPR pour le CNRS, au côté de Frédéric Schuster pour le CEA.
Un budget de 85 millions d'euros jusqu'en 2030
Piloté par ces deux centres de recherche, ce programme a été lancé en 2022 avec un budget de 85 millions d’euros échelonné sur huit ans. Il mise sur l’exploitation de l’intelligence artificielle (IA) pour doper les techniques de synthèse et de caractérisation haut débit.
« Il faut explorer le plus rapidement possible l’ensemble des diagrammes de phase des matériaux », lance Mario Maglione. Ces représentations des états des matériaux jouent un rôle essentiel dans la compréhension de leur comportement. Lors des expérimentations par essai-erreur, l’exploration d’un diagramme est complexe, avec un nombre considérable de paramètres « en termes de composition chimique, de pression, de température, de conditions d’assemblage, énumère-t-il. Mais on ne peut pas tous les faire varier comme on le souhaiterait pour observer les différentes structures cristallines et amorphes, ou d’autres arrangements atomiques présents dans un matériau qui peuvent influencer ses propriétés thermomécaniques. »
Entraîner une IA sur les données scientifiques existantes
Il faut explorer le plus rapidement possible l’ensemble des diagrammes de phase des matériaux
— Mario Maglione, coporteur du PEPR Diadem pour le CNRS
Diadem vise ainsi à combiner l’IA avec des techniques de synthèse et de criblage à haut débit, adaptées pour identifier plus vite les conditions ou combinaisons de paramètres d’intérêt les plus prometteuses pour l’expérimentation. La synthèse à haut débit, qui englobe la fabrication rapide de matériaux à l’échelle nanométrique, requiert des processus de synthèse chimique ou de dépôt de couches minces à haut rendement.
L'exploration des possibilités se heurte à « la diversité des paramètres de synthèse, pointe le chercheur. Une IA entraînée sur les données scientifiques existantes pourra identifier les paramètres essentiels et guider l’expérimentateur vers des zones spécifiques des diagrammes de composition et de structure. Ce qui limite la nécessité d’essais exhaustifs et de longues séries de tests. »
Parmi les projets en cours, un démonstrateur est destiné à l’automatisation de la synthèse et de la caractérisation numérique de matériaux à l’aide de puces fluidiques miniaturisées. « En l’optimisant, nous allons pouvoir combler l’écart entre les taux de criblage et la réalisation expérimentale de nouveaux matériaux, tout en réduisant la quantité de précurseurs chimiques nécessaires pour chaque synthèse », précise-t-il.
Vient ensuite le criblage des procédés, impliquant l’évaluation de diverses méthodes de fabrication des matériaux comme la fusion ou le dépôt de couches protectrices. L’objectif est d’optimiser la production selon les propriétés désirées du matériau final, comme la résistance à la corrosion, la durabilité et la conductivité.
Benoit Denand Un four transportable pour étudier les changements de structure cristalline d’alliages métalliques.
