Ces matériaux, conçus à l'aide de techniques d'intelligence artificielle, se distinguent par leur grande résistance et leur faible poids, les rendant idéaux pour des applications avancées.
Conception des matériaux nanométriques
Les chercheurs, sous la direction de Peter Searles, ont conçu ces matériaux en utilisant des algorithmes d'apprentissage automatique.
Ces matériaux sont constitués de petites unités de construction mesurant quelques centaines de nanomètres, agencées en structures tridimensionnelles complexes appelées "réseaux nanométriques" (nanolattices). Searles a souligné que ces matériaux tirent parti du principe "plus petit est plus fort" en science des matériaux, ce qui leur confère une grande résistance et rigidité par rapport à leur poids.
Un algorithme avancé connu sous le nom de Multi-Objective Bayesian Optimization a été utilisé pour optimiser la conception de ces matériaux, apprenant à partir des données simulées pour prédire les meilleures formes géométriques qui améliorent la distribution des contraintes et optimisent le rapport résistance/poids.
Applications futures
Les chercheurs s'attendent à ce que ces matériaux conduisent au développement de composants ultra-légers pour les applications spatiales et aéronautiques.
Par exemple, remplacer des composants en titane dans les avions par ces matériaux pourrait permettre d'économiser jusqu'à 80 litres de carburant par an pour chaque kilogramme remplacé.
Amélioration des processus de fabrication
Les chercheurs se concentrent actuellement sur l'amélioration du processus de fabrication de ces matériaux à grande échelle afin de permettre la production de composants de grande taille à un coût abordable.
Le succès dans ce domaine pourrait entraîner d'importantes améliorations en matière d'efficacité énergétique, de sécurité et de performance dans l'industrie aéronautique.
