L'apprentissage automatique permet des calculs précis de structures électroniques à grande échelle pour la modélisation des matériaux

7 juillet 2023

Cet article a été révisé conformément au processus éditorial et aux politiques de Science X. Les éditeurs ont mis en avant les attributs suivants tout en garantissant la crédibilité du contenu :

faits vérifiés

source fiable

relire

par Helmholtz Association des centres de recherche allemands

L’arrangement des électrons dans la matière, appelé structure électronique, joue un rôle crucial dans la recherche fondamentale mais aussi appliquée, comme la conception de médicaments et le stockage d’énergie. Cependant, l’absence d’une technique de simulation offrant à la fois une haute fidélité et une évolutivité sur différentes échelles de temps et de longueur a longtemps constitué un obstacle au progrès de ces technologies.

Des chercheurs du Center for Advanced Systems Understanding (CASUS) du Helmholtz-Zentrum Dresden-Rossendorf (HZDR) à Görlitz, en Allemagne, et des Sandia National Laboratories à Albuquerque, au Nouveau-Mexique, aux États-Unis, ont mis au point une méthode de simulation basée sur l'apprentissage automatique qui remplace les techniques traditionnelles de simulation de structure électronique.

Leur pile logicielle Materials Learning Algorithms (MALA) permet d’accéder à des échelles de longueur auparavant inaccessibles. Les travaux sont publiés dans la revue npj Computational Materials.

Les électrons sont des particules élémentaires d'importance fondamentale. Leurs interactions de mécanique quantique entre elles et avec les noyaux atomiques donnent lieu à une multitude de phénomènes observés en chimie et en science des matériaux. Comprendre et contrôler la structure électronique de la matière donne un aperçu de la réactivité des molécules, de la structure et du transport d'énergie au sein des planètes, ainsi que des mécanismes de défaillance matérielle.

Les défis scientifiques sont de plus en plus relevés grâce à la modélisation et à la simulation informatiques, en tirant parti des capacités du calcul haute performance. Cependant, un obstacle majeur à la réalisation de simulations réalistes avec une précision quantique est l’absence d’une technique de modélisation prédictive combinant haute précision et évolutivité sur différentes échelles de longueur et de temps.

Les méthodes classiques de simulation atomistique peuvent gérer des systèmes vastes et complexes, mais leur omission de la structure électronique quantique limite leur applicabilité. À l’inverse, les méthodes de simulation qui ne reposent pas sur des hypothèses telles que la modélisation empirique et l’ajustement des paramètres (méthodes des premiers principes) offrent une haute fidélité mais sont exigeantes en termes de calcul. Par exemple, la théorie fonctionnelle de la densité (DFT), une méthode des premiers principes largement utilisée, présente une mise à l'échelle cubique avec la taille du système, limitant ainsi ses capacités prédictives aux petites échelles.

L’équipe de chercheurs a maintenant présenté une nouvelle méthode de simulation appelée pile logicielle Materials Learning Algorithms (MALA). En informatique, une pile logicielle est un ensemble d’algorithmes et de composants logiciels combinés pour créer une application logicielle permettant de résoudre un problème particulier.

Lenz Fiedler, titulaire d'un doctorat. étudiant et développeur clé de MALA à CASUS, explique : « MALA intègre l'apprentissage automatique à des approches basées sur la physique pour prédire la structure électronique des matériaux. Il utilise une approche hybride, utilisant une méthode d'apprentissage automatique établie appelée apprentissage profond pour prédire avec précision les quantités locales, complété par des algorithmes physiques pour calculer les quantités globales d'intérêt.

La pile logicielle MALA prend en entrée la disposition des atomes dans l’espace et génère des empreintes digitales appelées composants bispectraux, qui codent la disposition spatiale des atomes autour d’un point de grille cartésien. Le modèle d'apprentissage automatique de MALA est entraîné pour prédire la structure électronique sur la base de ce voisinage atomique. Un avantage significatif de MALA réside dans la capacité de son modèle d'apprentissage automatique à être indépendant de la taille du système, ce qui lui permet d'être formé sur des données provenant de petits systèmes et déployé à n'importe quelle échelle.