Trouver la bonne structure atomique est l’un des problèmes les plus importants et difficiles en science des matériaux computationnelle. Parce que les propriétés des matériaux dépendent fortement de la manière dont les atomes sont arrangés, même de petites erreurs dans la prédiction de structure peuvent affecter la façon dont les chercheurs comprennent la stabilité, la réactivité et la fonction.
Une nouvelle étude présente NARA, un cadre computationnel qui combine un algorithme firefly avec un apprentissage automatique conscient de l’incertitude pour rendre la prédiction de structure atomique plus robuste. La méthode est conçue pour gérer les cas où l’optimisation conventionnelle peut être induite en erreur par les limitations du modèle théorique sous-jacent.
Contrairement aux approches standard qui convergent rapidement vers le « meilleur unique », NARA est conçu pour naviguer vers une recherche diversifiée de multiples structures distinctes. Cela est crucial parce que les propriétés d’un matériau dépendent souvent non seulement de l’état fondamental global, mais aussi des structures métastables accessibles dans des conditions réalistes. Pour équilibrer une exploration large et efficace avec une fiabilité computationnelle, NARA utilise des estimations d’incertitude pour déployer stratégiquement des calculs ab initio coûteux uniquement lorsque nécessaire.
Dans les tests sur les oxydes de surface du cuivre, NARA a atteint une efficacité supérieure à l’algorithme de saut de bassin largement utilisé. Dans les tests sur les nanoclusters d’or, le cadre a récupéré à la fois les structures compétitives planes et non planes en une seule exécution, ce qui est important car leur stabilité relative peut dépendre sensiblement du traitement théorique.
Les résultats suggèrent que combiner l’optimisation multimodale avec une technique d’apprentissage automatique consciente de l’incertitude peut améliorer à la fois l’efficacité et la robustesse des recherches de structure atomique. Cela pourrait permettre une découverte computationnelle plus rapide et plus fiable de nouveaux matériaux.
Le travail intitulé « Optimisation globale robuste des structures atomiques via un algorithme firefly informé par une perte d’apprentissage en vol », a été publié dans AI Agent (publié le 31 mars 2026).
Article : Robust global optimization of atomic structures via a learning loss-informed on-the-fly firefly algorithm – Méthode : Experimental study – DOI : Lien vers l’étude
source : HEG
