Optimisation bayésienne par lots sensible aux coûts basée sur des processus gaussiens profonds pour les campagnes de conception de matériaux complexes

Des recherches plus intelligentes pour de meilleurs matériaux

Concevoir de nouveaux métaux et alliages revient un peu à chercher quelques aiguilles précieuses dans une énorme meule de foin. Chaque recette candidate peut coûter cher à tester en laboratoire ou sur un supercalculateur, aussi les scientifiques ont‑ils besoin de méthodes pour décider lesquelles valent la peine d’être explorées ensuite. Cet article présente une stratégie qui conçoit la découverte de matériaux comme un jeu réfléchi de questions : elle décide non seulement quel alliage interroger en premier, mais aussi quel type d’essai effectuer et combien coûtera cet essai. L’objectif est d’atteindre des matériaux aux meilleures performances plus rapidement, avec moins de mesures et à moindre coût.

Pourquoi la recherche est si difficile

Les alliages modernes, en particulier les alliages à haute entropie qui mélangent de nombreux éléments en proportions proches, occupent des espaces de conception immenses. Chaque composition peut présenter de nombreuses propriétés importantes, telles que la résistance, le point de fusion et la conductivité thermique, qui se compensent souvent les unes les autres. Mesurer ou simuler toutes ces propriétés pour chaque recette possible est impossible. Les méthodes traditionnelles d’optimisation bayésienne aident déjà en entraînant un « surrogate » statistique qui prédit les propriétés à partir d’un nombre limité d’exemples et suggère les expériences suivantes. Mais ces surrogates classiques peinent lorsque les relations sont fortement emmêlées, lorsque différentes propriétés sont étroitement liées, ou lorsque seules certaines propriétés sont mesurées pour chaque échantillon.

Modèles en couches qui apprennent la structure cachée

Pour y remédier, les auteurs s’appuient sur les processus gaussiens profonds, un type de modèle probabiliste en couches. Plutôt que d’utiliser une seule fonction lisse, ils empilent plusieurs couches qui transforment progressivement l’entrée. Les premières couches apprennent des représentations cachées des compositions d’alliage ; les couches ultérieures mappent ces caractéristiques cachées vers plusieurs propriétés à la fois. Cette hiérarchie capture naturellement des effets tels que la sensibilité variable à la composition selon la région de l’espace de conception et les liens complexes entre propriétés. Fait crucial, le modèle conserve aussi une estimation de son incertitude, essentielle pour décider s’il vaut la peine de payer pour une nouvelle mesure. Parce que différentes propriétés peuvent être observées pour différents alliages, le modèle profite encore de données partielles, « en patchs », et partage l’information entre les tâches.

Faire que chaque mesure compte

Le second ingrédient est la sensibilité au coût. Toutes les mesures ne se valent pas : certaines, comme des tests détaillés de conductivité thermique ou de point de fusion, sont coûteuses ; d’autres, comme la densité ou la dureté, sont moins chères. Les auteurs étendent une règle de décision populaire qui se concentre généralement uniquement sur le gain scientifique — combien un nouveau lot d’expériences pourrait améliorer les compromis connus entre propriétés. Leur version divise ce gain par le coût total du lot proposé. Cela pousse l’optimiseur à privilégier de nombreuses requêtes peu coûteuses et informatives tout en réservant les mesures onéreuses aux candidats les plus prometteurs. Ils combinent également des lots « isotopiques », où toutes les propriétés sont mesurées ensemble, avec des étapes « hététopiques » qui mesurent sélectivement seulement des propriétés moins coûteuses, en utilisant ces résultats pour affiner le modèle avant de s’engager dans des tests coûteux.

Tests sur problèmes-jouets et alliages réels

L’équipe a d’abord évalué plusieurs variantes de leur approche sur des problèmes tests multi‑objectifs standards de formes et de difficultés variées. Ils ont comparé des modèles simples mono‑tâche, des modèles multi‑tâches qui partagent l’information entre propriétés, des modèles purement profonds et des hybrides qui combinent des prédictions moyennes profondes avec des estimations d’incertitude multi‑tâches. Les résultats montrent qu’aucune méthode unique ne l’emporte partout. Les modèles simples et peu profonds excellent sur des paysages à faible dimension et à courbure douce. Les modèles multi‑tâches brillent dans les espaces de haute dimension où les objectifs sont étroitement liés. Les modèles profonds et hybrides montrent leur force sur des paysages très tortueux et non convexes, où la capture de structures intriquées et de distributions biaisées est la plus importante.

Un chemin plus rapide vers des alliages performants

Pour montrer l’impact pratique, les auteurs ont ensuite mené une campagne de découverte entièrement simulée pour des alliages réfractaires à haute entropie destinés à un usage à haute température. Ils ont exploré un espace de composition à sept éléments et cherché à maximiser cinq propriétés clés simultanément, en traitant deux propriétés supplémentaires comme informations auxiliaires utiles. Les coûts ont été attribués de manière réaliste — la conductivité thermique et la température de solidus ont été rendues beaucoup plus coûteuses que la densité, la dureté ou un indicateur de ductilité. Le nouveau cadre a pu orienter l’échantillonnage vers des régions de l’espace de composition qui équilibrent plusieurs objectifs de performance, tout en réutilisant massivement des mesures bon marché et en sollicitant avec parcimonie les mesures coûteuses. Les stratégies profondes et sensibles au coût ont égalé ou légèrement dépassé les performances des méthodes traditionnelles, en particulier à mesure que les données s’accumulaient, et l’ont fait en utilisant plus intelligemment un budget d’évaluation fixe.

Ce que cela signifie pour la découverte de matériaux

Pour un non‑spécialiste, le message principal est que ce travail offre une manière raisonnée de « dépenser » l’effort expérimental et computationnel plus judicieusement lors de la recherche de nouveaux matériaux. En combinant des modèles probabilistes en couches qui apprennent des motifs cachés avec une stratégie de budgétisation qui met en balance le gain scientifique attendu et le coût des tests, l’approche peut atteindre des conceptions d’alliages performantes en moins d’étapes mieux choisies. Bien que les avantages soient les plus nets pour des problèmes complexes et bruités, le cadre pose des bases importantes pour de futures campagnes où les scientifiques doivent jongler avec de nombreuses variables, de nombreux objectifs et des ressources limitées.

Citation: Alvi, S.M.A.A., Vela, B., Attari, V. et al. Deep Gaussian process-based cost-aware batch Bayesian optimization for complex materials design campaigns. npj Comput Mater 12, 105 (2026). https://doi.org/10.1038/s41524-026-01981-7

Mots-clés: découverte de matériaux, optimisation bayésienne, processus gaussiens profonds, alliages à haute entropie, conception sensible aux coûts