Une méthode qui diminue le temps de calcul GW par un facteur de 10

Les calculs ab initio, une méthode de simulation informatique en physique des matériaux, connaissent une évolution significative grâce aux travaux de chercheurs de l’Université Technique d’Ilmenau. Leur approche novatrice promet d’accélérer considérablement la découverte et le développement de nouveaux matériaux pour diverses applications technologiques.

Max Großmann, doctorant à l’Institut de Physique de l’Université Technique d’Ilmenau, sous la direction du Professeur Erich Runge, a développé une méthode innovante pour les calculs GW. Cette avancée, réalisée en collaboration avec Malte Grunert, ouvre de nouvelles perspectives pour décrypter les secrets de la matière à l’échelle atomique de manière plus rapide et efficace.

Les résultats de leurs recherches ont été publiés dans la revue NPJ Computational Materials, appartenant au groupe Nature. L’article met en lumière comment l’automatisation des calculs GW peut être réalisée de manière simple, robuste et efficiente.

Les méthodes d’apprentissage automatique gagnent en popularité dans le domaine de la science des matériaux. Elles sont utilisées pour étudier la structure optique et électronique des matériaux, fournissant des informations cruciales sur leur comportement lorsqu’ils sont soumis à une excitation énergétique ou à une irradiation lumineuse.

Cependant, l’un des principaux obstacles dans ce domaine de recherche en pleine expansion est le manque de données d’entraînement robustes, nécessaires à l’application efficace des méthodes d’apprentissage automatique. Les simulations informatiques basées sur des calculs ab initio ou de premiers principes sont souvent privilégiées pour pallier ce manque.

La théorie de la fonctionnelle de la densité (DFT) est actuellement la méthode ab initio la plus utilisée et la plus performante pour calculer les propriétés des molécules et des solides. Néanmoins, elle présente certaines limitations, notamment une sous-estimation importante de la bande interdite des semi-conducteurs et des isolants.

La méthode GW se présente comme une alternative prometteuse. Largement utilisée dans les études sur la structure électronique et les propriétés optiques des matériaux, elle est cependant très gourmande en ressources de calcul.

Une optimisation significative des calculs GW

Les travaux de Großmann et Grunert se sont concentrés sur l’amélioration de l’efficacité des calculs GW. Leur objectif était d’optimiser les données issues des calculs DFT précédents en utilisant la méthode GW, tout en maintenant un temps et des efforts de calcul raisonnables.

Leur approche, basée sur le principe que «le modèle le plus simple est souvent le meilleur», a conduit au développement d’un flux de travail robuste, simple et efficace pour les calculs GW. Des calculs ont été effectués pour 70 matériaux semi-conducteurs et isolants sur le cluster de calcul local du centre informatique de l’université.

Les résultats de l’étude sont impressionnants. Le nouveau flux de travail GW permet de réduire le temps de calcul de plus d’un facteur deux, sans perte de précision. De plus, les chercheurs ont découvert qu’un facteur supplémentaire de 10 dans le temps de calcul peut être économisé en exploitant l’indépendance des paramètres de convergence démontrée dans l’article.

Großmann résume : «En intégrant ces découvertes dans un flux de travail, l’efficacité de calcul de la méthode GW peut être considérablement augmentée sans avoir à modifier le code ab initio sous-jacent, simplement en effectuant les bons calculs dans le bon ordre.»

Cette nouvelle méthode ouvre la voie à l’utilisation de simulations informatiques allant au-delà de la DFT, comme la théorie des perturbations à plusieurs corps, dans des projets de criblage de matériaux à grande échelle. Elle promet d’accélérer et d’améliorer l’efficacité de la recherche sur de nouveaux matériaux pour diverses applications de haute technologie.

Großmann, M., Grunert, M. & Runge, E. A robust, simple, and efficient convergence workflow for GW calculations. npj Comput Mater 10, 135 (2024). https://doi.org/10.1038/s41524-024-01311-9