Guillaume Deffrennes (SIMaP, Grenoble) a animé le vingt-troisième webinaire de l’Afthermat portant sur l’utilisation du machine learning en thermodynamique des matériaux.
L’analyse de données thermodynamiques par machine learning ouvre le champ à de nombreuses perspectives. De vastes espaces de conception d’alliages peuvent être finement explorés à l’aide de modèles de substitution qui reproduisent les calculs thermodynamiques en un temps réduit de plusieurs ordres de grandeurs [1]. Les algorithmes sont capables d’extraire des tendances d’un large volume de données pour réaliser des prédictions de propriétés thermodynamiques [2,3] ou d’équilibres entre phases [4].
L’apprentissage actif permet d’explorer les diagrammes de phases en un nombre réduit d’expériences en indiquant où la collecte de nouvelles données est la plus pertinente [5]. Les approches Bayésiennes permettent la quantification des incertitudes associées aux modélisations Calphad [6]. L’objectif de ce webinaire sera de présenter des applications du machine learning à différentes étapes du cycle de vie des données thermodynamiques, de leur acquisition à leur exploitation par la méthode Calphad.
Références :
[1] R. Jha, N. Chakraborti, D.R. Diercks, A.P. Stebner, C.V. Ciobanu, Combined machine learning and CALPHAD approach for discovering processing-structure relationships in soft magnetic alloys, Comput. Mater. Sci. 150 (2018) 202–211. https://doi.org/10.1016/j.commatsci.2018.04.008
[2] J.-C. Crivello, J.-M. Joubert, N. Sokolovska, Supervised deep learning prediction of the formation enthalpy of complex phases using a DFT database: The σ − phase as an example, Comput. Mater. Sci. 201 (2022) 110864. https://doi.org/10.1016/j.commatsci.2021.110864
[3] G. Deffrennes, B. Hallstedt, T. Abe, Q. Bizot, E. Fischer, J.-M. Joubert, K. Terayama, R. Tamura, Data-driven study of the enthalpy of mixing in the liquid phase, arXiv:2406.11004 [cond-mat.mtrl-sci] (2024). https://doi.org/10.48550/ARXIV.2406.11004
[4] G. Deffrennes, K. Terayama, T. Abe, E. Ogamino, R. Tamura, A framework to predict binary liquidus by combining machine learning and CALPHAD assessments, Mater. Des. 232 (2023) 112111. https://doi.org/10.1016/j.matdes.2023.112111
[5] R. Tamura, H. Morito, G. Deffrennes, M. Naito, Y. Nose, T. Abe, K. Terayama, AIPHAD, an active learning web application for visual understanding of phase diagrams, Commun. Mater. 5 (2024) 139. https://doi.org/10.1038/s43246-024-00580-7
[6] C. Guéneau, E. Lawrence, T. Klein, F. Gamboa, Thermodynamic Modeling of the Uranium–Tellurium System: Estimation of the Uncertainties by a Bayesian Approach, Thermo 2 (2022) 15–38. https://doi.org/10.3390/thermo2010003