L’exploration des structures électroniques des matériaux présente un défi majeur pour les chercheurs, nécessitant souvent des ressources informatiques considérables. Cependant, une équipe de Yale a développé une méthode innovante utilisant l’intelligence artificielle pour accélérer et améliorer la précision de ces calculs, ouvrant ainsi des perspectives nouvelles dans la découverte de matériaux. Voici comment ils y sont parvenus.
Dans le domaine de la science des matériaux, la compréhension de la structure électronique des matériaux réels est essentielle. Elle permet de mieux saisir les propriétés physiques des systèmes complexes comme les systèmes moiré ou les états de défaut. Traditionnellement, les chercheurs emploient la théorie de la fonctionnelle de la densité (DFT) pour ces explorations. Cependant, cette méthode présente des limites, notamment lorsqu’il s’agit de propriétés d’état excités.
« Mais le problème est que si vous examinez les propriétés d’état excités, comme le comportement des matériaux lorsqu’ils interagissent avec la lumière ou conduisent l’électricité, alors la DFT ne suffit pas pour comprendre les propriétés du matériau », a précisé la Prof. Diana Qiu, qui a dirigé l’étude.
L’innovation par l’intelligence artificielle
Face à ces limitations, Qiu et son équipe se sont tournées vers des théories de niveau supérieur qui reposent sur la DFT. Cependant, les problèmes sur lesquels ils travaillent nécessitent des calculs extrêmement coûteux en ressources computationnelles. L’application de l’apprentissage automatique a été envisagée, mais elle ne s’est pas révélée très efficace pour déterminer la structure de bande des matériaux, un aspect crucial pour comprendre leurs propriétés.
Ils ont donc décidé de se concentrer sur la fonction d’onde des électrons, décrivant mathématiquement l’état quantique des particules. En utilisant des matériaux 2D, qui ne sont épais que de quelques atomes, ils ont pu visualiser cette fonction d’onde.
« Nous avons dit ‘D’accord, qu’est-ce que la fonction d’onde ?’ C’est une probabilité dans l’espace. Nous pouvons toujours la représenter comme une image dans l’espace », a expliqué Diana Qiu, professeure adjointe en génie mécanique et sciences des matériaux.
Pour leur étude, ils ont employé un encodeur automatique variationnel, un outil de traitement d’images par IA, pour créer une représentation dimensionnelle de la fonction d’onde. « Cela s’effectue de manière non supervisée, sans guidance humaine », a-t-elle noté. « Il transforme cet objet de 100 gigaoctets en 30 nombres, qui représentent la fonction d’onde initiale. Nous utilisons ensuite ces nombres comme entrée pour un second réseau neuronal capable de prédire des propriétés d’état excités plus complexes. »
Newsletter Enerzine
Recevez les meilleurs articles
Énergie, environnement, innovation, science : l’essentiel directement dans votre boîte mail.
Efficacité et précision
En évitant la guidance humaine basée sur l’intuition, leur méthode fournit une représentation plus précise et beaucoup plus efficace. Elle réduit également la taille des données nécessaires, ce qui est essentiel pour l’application dans d’autres domaines.
« La représentation que nous obtenons est également 100 à 1 000 fois plus petite que ce dont on aurait besoin pour la sélection de caractéristiques », a affirmé Diana Qiu. Cette réduction significative des données d’entrée permet une application beaucoup plus large du modèle.
Grâce à cette méthode assistée par VAE, les calculs qui pouvaient prendre entre 100 000 et un million d’heures de CPU pour un matériau avec trois atomes sont maintenant réalisables en environ une heure.
« L’application pratique immédiate est qu’elle nous offre un moyen d’accélérer ces calculs compliqués, ce qui signifie que maintenant, nous pouvons effectuer ces calculs pour une gamme beaucoup plus large de matériaux, permettant ainsi la découverte de nouveaux matériaux avec des propriétés qui nous intéressent. »
Légende illustration : GEN AI
Article : « Unsupervised representation learning of Kohn–Sham states and consequences for downstream predictions of many-body effects » – DOI : s41467-024-53748-7
