Les chercheurs de la Harvard John A. Paulson School of Engineering and Applied Sciences (Seas) ont développé un cadre d'apprentissage automatique qui peut prédire avec une précision au niveau quantique comment les matériaux réagissent aux champs électriques, jusqu'à l'échelle d'un million d'atomes – accélérant mal des simulations au-delà des méthodes mécaniques quantiques, qui ne peuvent modéliser que quelques centaines d'atomes à un moment.
Le travail permettra aux scientifiques et aux ingénieurs de réaliser des simulations à grande échelle très précises de réponses de différents matériaux à de nombreux stimuli externes, ce qui pourrait avoir des implications majeures pour la conception avancée des matériaux ou les technologies énergétiques.
La recherche a été publiée dans Communications de la nature et dirigé par Stefano Falletta, ancien chercheur postdoctoral du groupe de l'auteur principal Boris Kozinsky, professeur de science des matériaux et de génie mécanique de Gordon McKay, et professeur de chimie et de biologie chimique.
Depuis plus de 30 ans, la principale méthode de simulation des propriétés et des comportements des atomes et des molécules a été la théorie fonctionnelle de la densité, un ensemble d'équations quantiques-mécaniques qui est basée sur la physique et très précise, mais intensive en calcul et donc limitée à seulement des systèmes plus petits.
Ces dernières années, l'étude du comportement quantique des matériaux à des tailles plus grandes et à des échelles de temps plus longues tout en conservant la précision de la théorie fonctionnelle de la densité a été renforcée par l'apprentissage automatique, mais la modélisation des réponses aux stimuli externes est restée un défi. En effet, les méthodes d'apprentissage automatique existantes ont tendance à ignorer les symétries physiques et les lois de conservation liées aux propriétés énergétiques et électriques, entraînant des inexactitudes dans les prédictions de propriété.
Pour résoudre ces problèmes, les auteurs ont conçu une méthode d'apprentissage automatique qui unifie les comportements quantiques distincts comme l'énergie et la polarisation en une fonction énergétique potentielle généralisée. En utilisant les calculs de théorie fonctionnelle de la densité comme données de formation et de validation, le modèle comprend les effets des champs externes et applique la physique correcte.
Le nouveau cadre, appelé Allegro-Pol, s'appuie sur une architecture de réseau neuronal précédemment développé appelé Allegro qui a effectué des simulations précises de l'énergie et des forces atomiques présentes dans un ensemble donné d'atomes. Falletta a cherché à étendre les capacités d'Allegro pour capturer non seulement la dynamique moléculaire en temps réel, mais aussi ce qui se passe lorsque les atomes subissent des perturbations externes, telles que l'application d'un champ électrique externe.
La compréhension de ces interactions est essentielle pour découvrir, par exemple, de nouveaux matériaux ferroélectriques et des matériaux diélectriques qui pourraient être utilisés dans des applications telles que la mémoire non volatile, les condensateurs et les dispositifs de stockage d'énergie.
« Si vous utilisez des méthodes basées sur la physique qui résolvent les équations mécaniques quantiques, vous ne pouvez que monter jusqu'à quelques centaines d'atomes », a déclaré Falletta. « Alors qu'avec ces méthodes d'apprentissage automatique, vous pouvez essentiellement augmenter jusqu'à des centaines de milliers d'atomes ou même un million. »
Ils ont prouvé leur méthode en simulant les propriétés infrarouges et électriques du dioxyde de silicium, ainsi que la commutation ferroélectrique dépendante de la température dans le titanate de baryum.
Falletta, qui travaille maintenant chez Radical AI sur l'accélération de la découverte de matériaux, a déclaré que les modèles fondamentaux basés sur celui décrit dans Communications de la nature pourrait permettre à la science des matériaux d'apprentissage automatique de l'apprentissage d'une manière qui commence seulement à être compris.
« Le domaine de la découverte des matériaux de calcul évolue vers de meilleures théories, de meilleurs modèles d'apprentissage automatique, une meilleure infrastructure, des grappes plus grandes, des GPU plus rapides et de meilleurs modèles génératifs – il s'agit de toutes sortes de secours », a déclaré Falletta. « C'est vraiment très excitant. »
