L’optimisation de l’efficacité énergétique reste un enjeu majeur pour les chercheurs du monde entier. Une équipe de chercheurs du MIT et d’autres institutions a mis au point un cadre d’apprentissage automatique capable de prédire les relations de dispersion des phonons jusqu’à 1 000 fois plus rapidement que les techniques basées sur l’IA existantes, avec une précision comparable, voire supérieure.
Comprendre les phonons
Les phonons, particules subatomiques responsables du transport de la chaleur, posent un défi majeur en raison de leur large gamme de fréquences et de leurs interactions complexes. La relation de dispersion des phonons, qui décrit le lien entre l’énergie et le moment des phonons dans une structure cristalline, est particulièrement difficile à modéliser.
« Les phonons sont responsables des pertes thermiques, mais obtenir leurs propriétés est notoirement difficile, que ce soit par calcul ou expérimentalement », explique Mingda Li, professeur associé de science et d’ingénierie nucléaires et auteur principal de l’étude.
Une nouvelle approche basée sur l’apprentissage automatique
Pour surmonter ces défis, l’équipe de chercheurs a développé un réseau de neurones graphes à nœuds virtuels (VGNN). Ce modèle ajoute des nœuds virtuels flexibles à la structure cristalline fixe pour représenter les phonons, permettant ainsi une sortie de réseau de neurones qui varie en taille et n’est pas limitée par la structure cristalline fixe.
« La manière dont nous procédons est très efficace en termes de codage. Il suffit de générer quelques nœuds supplémentaires dans votre GNN. L’emplacement physique n’a pas d’importance, et les nœuds réels ne savent même pas que les nœuds virtuels sont là », explique Abhijatmedhi Chotrattanapituk, co-auteur de l’étude.
Réduction de la complexité
Grâce aux nœuds virtuels, le VGNN peut éviter de nombreuses calculs complexes lors de l’estimation des relations de dispersion des phonons, rendant la méthode plus efficace qu’un GNN standard. Les chercheurs ont proposé trois versions différentes de VGNN avec des niveaux de complexité croissants, chacune capable de prédire les phonons directement à partir des coordonnées atomiques d’un matériau.
Cette approche flexible permet également de modéliser rapidement des propriétés à haute dimension, comme les relations de dispersion des phonons dans les systèmes d’alliages, des combinaisons complexes de métaux et de non-métaux.
Applications potentielles
Un VGNN pourrait calculer les relations de dispersion des phonons pour quelques milliers de matériaux en quelques secondes seulement avec un ordinateur personnel. Cette efficacité pourrait permettre aux scientifiques d’explorer un plus grand nombre de matériaux pour trouver ceux ayant des propriétés thermiques particulières, comme une capacité de stockage thermique supérieure, une conversion énergétique ou une supraconductivité.
En outre, la technique des nœuds virtuels n’est pas exclusive aux phonons et pourrait également être utilisée pour prédire des propriétés optiques et magnétiques complexes.
À l’avenir, les chercheurs souhaitent affiner la technique afin que les nœuds virtuels soient plus sensibles aux petits changements pouvant affecter la structure des phonons. « Les chercheurs se sont habitués à utiliser des nœuds de graphe pour représenter des atomes, mais nous pouvons repenser cela. Les nœuds de graphe peuvent être n’importe quoi. Et les nœuds virtuels sont une approche très générique que l’on pourrait utiliser pour prédire de nombreuses quantités à haute dimension », conclut Mingda Li.
Article : « Virtual node graph neural network for full phonon prediction » – DOI : 10.1038/s43588-024-00661-0
Légende illustration : Une nouvelle méthode pourrait aider les modèles à prédire les propriétés thermiques d’un matériau, notamment en révélant la dynamique des atomes dans les cristaux, comme illustré ici.
