L'équipe du professeur assistant Xiangyu Li, du Département de génie mécanique et aérospatial de l'Université du Tennessee à Knoxville, a réalisé des progrès dans le domaine des matériaux de gestion thermique intelligente. En utilisant une méthode de potentiel d'évolution neuronale assistée par l'apprentissage automatique, l'équipe a développé un modèle computationnel novateur capable de prédire et de réguler le flux thermique des matériaux, ouvrant une nouvelle voie pour le développement de matériaux avancés à conductivité thermique réglable.

La recherche de Li et de l'étudiant doctoral Shaodong Zhang s'est concentrée sur les propriétés des composites de mousse de graphène et de polymères de silicium. En simulant les interactions atomiques des matériaux, l'équipe a prédit avec succès les variations des performances thermiques et mécaniques des matériaux sous différentes conditions de compression. Zhang a déclaré : « Cette étude montre qu'en combinant la mousse de graphène nanométrique avec des polymères de silicium courants, nous pouvons créer un matériau composite non seulement plus robuste, mais aussi doté d'une capacité exceptionnelle de régulation du flux thermique sous déformation. »

L'étude a révélé que la conductivité thermique de la mousse de graphène augmente avec la densité, mais suit une variation en forme de U (d'abord une diminution, puis une augmentation) au cours de la compression. Cette découverte fournit une base théorique pour la conception de matériaux de gestion thermique intelligents. Zhang a ajouté : « Cela offre un blueprint scientifique pour concevoir des 'interrupteurs thermiques' où la conductivité thermique du matériau peut être ajustée à la hausse ou à la baisse selon les besoins. » Ces matériaux pourraient être appliqués à la gestion thermique des produits électroniques, des dispositifs portables et des systèmes de contrôle thermique des engins spatiaux.

Le professeur Li a souligné la valeur des outils d'apprentissage automatique dans le développement des matériaux : « Notre objectif est de réduire le travail expérimental et de fournir une estimation approximative des résultats. Idéalement, nous voulons prédire toutes les propriétés des matériaux sans connaissances préalables. » Cette approche de recherche devrait accélérer le développement de nouveaux matériaux de gestion thermique intelligents, réduisant le temps et les ressources nécessaires par rapport aux méthodes d'essai-erreur traditionnelles.

Bien que cette technologie soit encore loin d'une application pratique, Li a indiqué : « Il reste un long chemin avant une application réelle. Par exemple, elle pourrait être utilisée pour les batteries, mais elle doit fonctionner dans une plage de températures étroite. » L'équipe prévoit d'étendre la méthode de dynamique moléculaire basée sur l'apprentissage automatique à l'étude d'autres processus physiques et chimiques.