Mieux comprendre les microgels
Les microgels thermosensibles constituent une nouvelle classe de matériaux prometteurs, utilisés dans des domaines aussi variés que l’administration de médicaments, la recherche médicale ou encore la restauration d’œuvres d’art. Les scientifiques savent modéliser ces gels par simulation informatique, mais il reste impossible de déterminer leurs propriétés finales à partir de leur seule composition initiale. Il faut par conséquent encore multiplier les simulations et les expériences. «Pour concevoir un microgel doté d’une structure interne précise, nous devons encore largement procéder par essais et erreurs, puis caractériser le matériau expérimentalement», explique Emanuela Zaccarelli(s’ouvre dans une nouvelle fenêtre), directrice de recherche au Conseil national de la recherche – Institut des systèmes complexes(s’ouvre dans une nouvelle fenêtre) et à la l'université Sapienza de Rome(s’ouvre dans une nouvelle fenêtre). «Prédire son élasticité est encore plus difficile, car la réponse mécanique d’un microgel dépend étroitement de son architecture microscopique», ajoute-t-elle. Dans le cadre du projet MGELS, soutenu par le programme Actions Marie Skłodowska-Curie(s’ouvre dans une nouvelle fenêtre) (MSCA), Emanuela Zaccarelli et ses collègues ont développé une nouvelle méthode d’apprentissage automatique capable de prédire la structure et les propriétés élastiques d’un microgel à partir de sa composition. Cette méthode permet non seulement de mieux comprendre les mécanismes physiques à l’origine de l’élasticité, mais aussi, à terme, de partir d’une propriété recherchée pour déterminer quel microgel il convient de développer. «Elle pourrait notamment servir à concevoir des matériaux intelligents sur mesure, qui trouveraient également des applications en biomédecine», souligne Susana Marín-Aguilar(s’ouvre dans une nouvelle fenêtre), boursière postdoctorale MSCA à l’université Sapienza et responsable scientifique du projet MGELS.
Un cadre d’apprentissage automatique pour identifier les «agents de réticulation»
L’équipe a développé ce modèle d’apprentissage automatique à partir de données produites par des simulations moléculaires approfondies de microgels thermosensibles. L’objectif était de prédire les propriétés d’agents de liaison chimique appelés «agents de réticulation», afin d’en déduire la structure interne des gels. Les chercheurs ont utilisé des méthodes d’apprentissage automatique pour prédire avec précision la concentration en agents de réticulation des particules de microgel à partir d’une propriété appelée densité radiale. Ils ont démontré que cette donnée pouvait être traitée par un algorithme et ramenée à une valeur unique permettant d’obtenir le résultat recherché. Ils ont ensuite utilisé cette même propriété pour prédire la répartition des agents de réticulation. «Le modèle fournit ainsi des informations sur la structure microscopique des particules qu’il serait autrement très difficile d’obtenir expérimentalement», explique Susana Marín-Aguilar. «Nous avons voulu que ce modèle soit librement accessible afin d’en favoriser au maximum l’utilisation.»
Appliquer ces découvertes pour améliorer les microgels
L’équipe a ensuite cherché à relier ces informations sur la structure aux propriétés des microgels. Les chercheurs ont notamment mis au point une méthode qui, à partir des concentrations en agents de réticulation, peut prédire la façon dont un gel se dilate lorsque la température varie, ainsi que son élasticité. Autre résultat important: dans certaines conditions, les microgels faiblement concentrés en agents de réticulation présentent un comportement auxétique, une propriété particulière qui veut qu’un matériau étiré dans une direction se dilate également dans la direction perpendiculaire. «Cette réponse inhabituelle peut conférer au matériau des propriétés mécaniques intéressantes et a déjà inspiré des applications allant des textiles et des matériaux de protection aux technologies biomédicales et d’ingénierie», explique Emanuela Zaccarelli.
De nouvelles pistes pour percer les secrets de ces matériaux
Ces résultats établissent que les microgels forment une classe particulièrement singulière de particules molles, dont les propriétés physiques restent encore mal comprises, souligne Emanuela Zaccarelli. «Comprendre les liens entre leur architecture interne, leur réponse mécanique et leur comportement collectif constitue l’une des pistes de recherche les plus prometteuses ouvertes par le projet.» Grâce aux collaborations nouées au cours du projet, l’équipe entend approfondir ces nouvelles pistes de recherche. « Nous comptons continuer à associer simulations, apprentissage automatique et expériences, non seulement pour étudier les microgels, mais aussi, plus largement, les systèmes de matière molle», conclut Emanuela Zaccarelli.
