L’intelligence artificielle simplifie l’analyse des propriétés des matériaux
En collaboration avec le CSEM et la ZHAW, Mettler-Toledo a développé AIWizard, une solution basée sur l'intelligence artificielle (IA) intégrée comme option dans son logiciel STARe, pour faciliter l'interprétation des courbes de calorimétrie différentielle à balayage pour l'analyse thermique.
De nos jours, les clients ont des exigences élevées pour toutes sortes de matériaux. Une bague d’étanchéité ne doit pas devenir cassante, une bouteille en PET qui ne doit pas se déformer, et le principe actif d’un médicament doit agir au moment opportun dans l’organisme. En science des matériaux, la méthode de calorimétrie différentielle à balayage (ou DSC pour Differential Scanning Calorimetry en anglais) de Mettler-Toledo est devenue incontournable. En effet, cette méthode d’analyse thermique est un outil indispensable, aussi bien pour le contrôle qualité que pour la recherche et le développement de matériaux ou de composés chimiques.
L’évaluation des propriétés des matériaux n’a rien d’anodin
Tous les matériaux peuvent absorber ou restituer de l’énergie sous forme de chaleur. La DSC est la principale méthode employée pour l’analyse thermique en raison de sa vaste gamme de renseignements fournis. Elle mesure le flux de chaleur d’un échantillon en fonction de la température ou du temps, et permet une évaluation quantitative des transformations physiques et des réactions chimiques.
La DSC se caractérise par sa sensibilité élevée, sa précision, la simplicité de préparation des échantillons, les possibilités d’automatisation et la rapidité de la mesure. Elle est la technique la plus populaire pour déterminer une grandeur thermique, étudier des procédés thermiques et caractériser ou comparer des matériaux. Elle apporte des réponses aux problématiques de stabilité, de conditions d’utilisation et de traitement, de détection des défauts, d’analyse des dommages, d’identification et de pureté des matériaux, de réactivité et de sécurité chimique. Les polymères, tels que les thermoplastiques, thermodurcissables et élastomères, les matériaux composites et les adhésifs, les produits alimentaires et pharmaceutiques, tout comme les substances chimiques, peuvent ainsi être analysés.
Les courbes obtenues représentent les « capacités thermiques en fonction de la température ». Ce qui est intéressant, ce sont les températures auxquelles cette capacité thermique change – ces plages sont appelées « effet ».
Ces effets correspondent aux changements physiques ou chimiques, autrement dit aux transitions de phase telles que la cristallisation, la fusion, les transitions vitreuses ou les réactions chimiques. Les informations importantes sur les propriétés des matériaux sont extraites à partir de leur forme et de la manifestation précise de ces effets. La forme de la courbe et la plage des températures contiennent des informations permettant à l’utilisateur d’interpréter les effets.
L’analyse des courbes de mesure est longue et exigeante, même pour les experts. L’idée proposée par Mettler-Toledo était de faire appel à l’intelligence artificielle (IA) pour assister les utilisateurs.
Des connaissances spécialisées parfaitement complémentaires
Mettler-Toledo a ainsi lancé un appel d’offres public via le réseau « Data Innovation Alliance ». Plusieurs instituts et universités ont manifesté leur intérêt. Le choix s’est porté sur un consortium de deux partenaires de recherche : la ZHAW pour ses méthodes statistiques et la robustesse des analyses de significativité statistique, et le CSEM qui compte plus de 12 ans d’expérience pratique du Deep Learning dans les applications industrielles.
Mettler-Toledo a apporté toute son expertise du domaine et a procédé à l’intégration – dans son progiciel STARe – de la solution d’IA développée. Par ailleurs, pour les besoins du projet, la société a également traité un important volume de données d’expertise issues de nombreuses mesures réalisées par le passé pour des publications et bibliothèques de référence.
La ZHAW a mis au point des méthodes statistiques pour le nettoyage des données, l’analyse des données d’experts, l’identification d’annotations erronées et la définition automatique fiable des tangentes de mesure. Le CSEM a, quant à lui, développé le réseau neuronal et des algorithmes d’entraînement robustes qui comprennent la génération et l’augmentation de données, ainsi que la validation et le contrôle de la plausibilité des résultats.
Le résultat du projet est une nouvelle option logicielle, intitulée AIWizard, qui a été intégrée au logiciel STARe. AIWizard autorise désormais de nouvelles analyses entièrement automatiques de courbes de mesure thermo-analytiques d’échantillons inconnus.
Intelligence artificielle : la voie du succès
L’une des principales difficultés du projet portait sur la détermination des limites de l’effet, à savoir « où commence-t-il ? » et « où finit-il ? ». Dans de nombreux cas, ces transitions sont fluides, et les repérer précisément est essentiel pour obtenir les informations sur le type d’effet (fusion, cristallisation, ou transition vitreuse). C’est là qu’intervient l’IA : automatiser la partie complexe (souvent sujette à erreur) de la détermination des effets, tout en combinant les connaissances et l’expérience de nombreux experts de différents domaines.
Au départ, les collaborateurs expérimentés ont manifesté un grand scepticisme, et certains ont déclaré que « l’analyse automatisée est absolument impossible ». Finalement, la solution a su convaincre, comme le soulignent les témoignages du style « les résultats ont largement dépassé mes attentes » de Mettler-Toledo.
Comme les réseaux neuronaux sont avides de données, il a fallu disposer d’un grand nombre de données d’experts. Afin d’accroître le jeu de données issu de centaines de mesures, des milliers de données artificielles ont été générées via un processus d’augmentation et de génération. Pour cela, il est important de tenir compte des phénomènes physiques en jeu. La génération de données consiste ainsi à produire de nouveaux jeux de données par une modélisation des processus ou par une recombinaison des données réelles.
« Nous avons beaucoup appris sur la manière dont les nouvelles technologies profitent aujourd’hui à nos clients. Sans les connaissances spécialisées des partenaires du projet, nous n’aurions pas pu concrétiser cette idée. » Urs Jörimann, chef de projet chez Mettler-Toledo.
Ce projet a été promu par l’Agence suisse pour l’encouragement de l’innovation, Innosuisse (numéro du projet : 35056.1 IP-ENG).