L’industrie des semi-conducteurs repose sur la compréhension approfondie des propriétés optiques des matériaux. Leurs caractéristiques s’avèrent essentielles pour concevoir des dispositifs optoélectroniques performants. Toutefois, les méthodes de calcul traditionnelles se heurtent à des obstacles majeurs : complexité mathématique et temps de traitement considérable. Ces contraintes limitent l’exploration rapide d’un large éventail de matériaux.
Une équipe de chercheurs vient de mettre au point un outil d’intelligence artificielle novateur, capable de prédire les propriétés optiques des matériaux avec une précision remarquable et une rapidité inégalée. Cette innovation pourrait accélérer significativement la découverte de nouveaux matériaux photovoltaïques et approfondir notre compréhension de la physique fondamentale des matériaux.
Des chercheurs de l’Université de Tohoku et du Massachusetts Institute of Technology (MIT) ont développé un nouvel outil d’intelligence artificielle pour générer des spectres optiques de haute qualité. Cet outil présente une précision comparable aux simulations quantiques, tout en fonctionnant un million de fois plus rapidement. Cette innovation pourrait considérablement accélérer le développement de matériaux photovoltaïques et quantiques.
L’équipe, dirigée par Nguyen Tuan Hung, professeur assistant à l’Institut Frontier pour les Sciences Interdisciplinaires (FRIS) de l’Université de Tohoku, et Mingda Li, professeur associé au Département de Science et d’Ingénierie Nucléaire (NSE) du MIT, a introduit un nouveau modèle d’IA. Ce dernier prédit les propriétés optiques sur une large gamme de fréquences lumineuses, en utilisant uniquement la structure cristalline d’un matériau comme donnée d’entrée.
Une approche novatrice basée sur l’intelligence artificielle
Le professeur Nguyen a expliqué : «L’optique est un aspect fascinant de la physique de la matière condensée, régi par la relation causale connue sous le nom de relation de Kramers-Krönig (KK). Une fois qu’une propriété optique est connue, toutes les autres propriétés optiques peuvent être dérivées en utilisant la relation KK. Il est intrigant d’observer comment les modèles d’IA peuvent saisir des concepts physiques à travers cette relation.»
Les modèles d’apprentissage automatique utilisés pour la prédiction optique sont appelés réseaux neuronaux graphiques (GNN). Ryotaro Okabe, étudiant diplômé en chimie au MIT, a souligné : «Les GNN fournissent une représentation naturelle des molécules et des matériaux en représentant les atomes comme des nœuds de graphe et les liaisons interatomiques comme des arêtes de graphe.»
Pour surmonter les limitations des GNN en termes de représentation des structures cristallines, l’équipe a conçu une intégration d’ensemble universelle. Cette approche consiste à créer plusieurs modèles ou algorithmes pour unifier la représentation des données.
Des applications prometteuses
«Cette intégration d’ensemble va au-delà de l’intuition humaine mais est largement applicable pour améliorer la précision de la prédiction sans affecter les structures des réseaux neuronaux.» a expliqué Abhijatmedhi Chotrattanapituk, étudiant diplômé en génie électrique et informatique au MIT.
Le professeur Mingda Li a ajouté : «La méthode d’intégration d’ensemble est une couche universelle qui peut être appliquée de manière transparente à n’importe quel modèle de réseau neuronal sans modifier les structures du réseau neuronal. Cela implique que l’intégration universelle peut facilement être intégrée dans n’importe quelle architecture d’apprentissage automatique, ayant potentiellement un impact profond sur la science des données.»
Cette méthode permet une prédiction optique hautement précise basée uniquement sur les structures cristallines. Elle s’adapte à une large variété d’applications, notamment pour le criblage de matériaux pour des cellules solaires haute performance et la détection de matériaux quantiques.
Dans le futur, les chercheurs visent à développer de nouvelles bases de données pour diverses propriétés des matériaux, telles que les caractéristiques mécaniques et magnétiques. L’objectif est d’améliorer la capacité du modèle d’IA à prédire les propriétés des matériaux en se basant uniquement sur leurs structures cristallines.
Article : ‘Universal Ensemble-Embedding Graph Neural Network for Direct Prediction of Optical Spectra from Crystal Structures’ / ( 10.1002/adma.202409175 ) – Tohoku University – Publication dans la revue Advanced Materials
