L’Intelligence Artificielle (IA) symbolique est le courant de l’IA qui se base sur les connaissances. ExpressIF® en est une implémentation moderne : la plateforme du CEA-List permet non seulement de modéliser des connaissances expertes, mais également de les extraire automatiquement à partir de données. Ces connaissances sont ensuite appliquées à l’aide à la décision ou à la résolution de problèmes. La force de l’apprentissage symbolique est de demander moins de données pour généraliser et produire des modèles interprétables, c’est-à -dire compréhensibles et vérifiables par l’Humain. C’est cette capacité à mélanger des connaissances expertes et des connaissances acquises à partir de peu de données qui rend ExpressIF® particulièrement pertinent pour les sciences expérimentales, parmi lesquelles la science des matériaux.
Toutes les forces d’ExpressIF® sont mobilisées dans ce cas d’usage : l’apprentissage frugal (nécessitant moins de données expérimentales), l’interaction avec l’utilisateur, qui dans notre cas est un scientifique expérimentateur. D’où la déclinaison ExpressIF® Materials qui spécialise ces interactions tout en se basant sur les capacités d’ExpressIF®.
En pratique, ExpressIF® Materials est basé sur la recherche de liens causaux entre les paramètres de fabrication et les propriétés des matériaux fabriqués. Ces liens sont ensuite caractérisés par des connaissances induites qui permettent de prédire ces propriétés. Dans un souci d’extraire des informations pertinentes des données expérimentales, la plateforme est même capable de trouver des liens graduels qui facilitent la recherche des paramètres optimaux. Ainsi, le chercheur n’est pas lésé et peut tirer parti de ces informations, contrairement à l’usage d’une boîte noire ou d’un modèle non interprétable. Et la comparaison parle d’elle-même : ExpressIF® prédit le plus souvent mieux que les autres modèles d’IA (xgBoost, random forest, polynomial fitting, etc.) tout en étant plus interprétable.
Aujourd’hui, la plateforme se dote d’un nouvel algorithme d’apprentissage actif qui permet de recommander la prochaine expérimentation à faire. À chaque itération, les connaissances sont mises à jour afin de prédire de mieux en mieux les propriétés du matériau et de converger plus rapidement vers les paramètres qui l’optimisent. Cet algorithme fait le choix à chaque itération d’explorer une nouvelle possibilité ou de faire une expérience qui « ressemble » à une précédente, tout en justifiant son choix.
Les perspectives sont nombreuses afin d’adapter ce que nous avons à différents types de données et à différents cas d’usage, tout en améliorant les performances et la nature des connaissances que l’on peut extraire.
Application au photovoltaïque, à la fabrication additive et aux matériaux anticorrosion. Au-delà de la science des matériaux, cette approche peut être appliquée à d’autres sciences expérimentales (biologie, etc.).
Ces travaux sont soutenus par le plan transverse de compétences « Matériaux et Procédés » du CEA.
Les premiers résultats obtenus sont en cours de publication. Brevet: BD21293
L’IA symbolique peut avoir un impact décisif sur la science des matériaux, tout en gardant l’Humain dans la boucle.
