Des ingénieurs du NIMS développent un système qui capture tous les éléments d'essais et erreurs dans la conception de matériaux, permettant une reproduction fiable des processus de raisonnement et des résultats

TSUKUBA, JAPON - 22 avril 2026 (NEWMEDIAWIRE) - Découvrir et caractériser de nouveaux matériaux est important pour débloquer des avancées dans des domaines comme l'énergie propre, la fabrication avancée et l'amélioration des infrastructures. Les chercheurs utilisent l'apprentissage automatique et d'autres outils informatiques pour les aider, mais la nature par essais et erreurs du processus crée des défis spécifiques. La recherche produit de grandes quantités de données expérimentales et informatiques, et les scientifiques ont besoin d'outils capables de suivre et de stocker non seulement les résultats, mais aussi la chaîne de raisonnement qui les sous-tend.

Un nouveau système appelé pinax, publié dans la revue Science and Technology of Advanced Materials: Methods, fournit précisément ces fonctionnalités. Développé par des ingénieurs du National Institute for Materials Science (NIMS) du Japon, pinax capture l'intégralité du processus de développement de nouveaux matériaux, y compris les flux de travail d'apprentissage automatique et les processus décisionnels. « En formalisant à la fois les processus d'essais et erreurs réussis et infructueux, pinax améliore la reproductibilité, la responsabilité et le partage des connaissances tout en maintenant une gouvernance stricte des données », déclare Satoshi Minamoto du NIMS, auteur principal de l'étude.

Les modèles d'apprentissage automatique jouent un rôle de plus en plus important dans la découverte et la caractérisation des matériaux. Bien que ces modèles soient des outils puissants, les processus de raisonnement qu'ils utilisent sont généralement opaques. Les chercheurs ne savent pas quelles considérations et quels processus d'essais et erreurs ont conduit à leurs prédictions finales. « Le système introduit dans cette étude visualise ces processus invisibles. Cela permet à d'autres d'examiner, de vérifier et de s'appuyer sur le cheminement vers les conclusions », explique Minamoto.

Minamoto souligne l'importance d'un tel accès dans les applications où la sécurité, la reproductibilité et la responsabilité sont importantes, affirmant que ce travail « démontre comment des systèmes d'IA transparents peuvent transformer la découverte scientifique en une entreprise plus fiable, efficace et socialement responsable. »

L'équipe a testé pinax à l'aide de deux études de cas : l'une sur la prédiction des propriétés de l'acier et l'autre utilisant l'apprentissage par transfert pour prédire la conductivité thermique des polymères. Le système a permis de relier les prédictions de performance du modèle aux aspects spécifiques des données ou du modèle qui les ont influencées, et de reproduire des flux de travail complexes à plusieurs étapes. « En particulier, l'exemple de l'apprentissage par transfert met en évidence la capacité de pinax à suivre la façon dont l'information circule entre des ensembles de données et des modèles imbriqués, rendant chaque étape du processus de raisonnement explicitement traçable », déclare Minamoto.

Les ingénieurs prévoient d'étendre pinax vers un système autonome de découverte de matériaux en boucle fermée. En intégrant les capacités de suivi de pinax avec des systèmes expérimentaux et de simulation automatisés, ils visent à créer une boucle capable d'utiliser la génération de données, les modèles d'apprentissage automatique et les systèmes décisionnels pour mener systématiquement et indépendamment l'intégralité du cycle de recherche.

Informations complémentaires
Satoshi Minamoto
National Institute for Materials Science
minamoto.satoshi@nims.go.jp

Article : https://doi.org/10.1080/27660400.2026.2629051

À propos de Science and Technology of Advanced Materials: Methods (STAM-M)

STAM Methods est une revue sœur en accès libre de Science and Technology of Advanced Materials (STAM), et se concentre sur les méthodes et outils émergents pour améliorer et/ou accélérer le développement des matériaux, tels que la méthodologie, l'appareillage, l'instrumentation, la modélisation, la collecte de données à haut débit, l'informatique des matériaux/processus, les bases de données et la programmation. https://www.tandfonline.com/STAM-M

Dr Kazuya Saito
Directeur de publication de STAM Methods
SAITO.Kazuya@nims.go.jp

Avertissement : Cette traduction a été générée automatiquement par NewsRamp™ pour NewMediaWire (collectivement désignés sous le nom de "LES ENTREPRISES") en utilisant des plateformes d'intelligence artificielle génératives accessibles au public. LES ENTREPRISES ne garantissent pas l'exactitude ni l'intégralité de cette traduction et ne seront pas responsables des erreurs, omissions ou inexactitudes. Vous vous fiez à cette traduction à vos propres risques. LES ENTREPRISES ne sont pas responsables des dommages ou pertes résultant de cette confiance. La version officielle et faisant autorité de ce communiqué de presse est la version anglaise.