L’apprentissage automatique accélère massivement le récurage du tableau périodique pour les structures stables


Un algorithme a été créé pour analyser rapidement des structures cristallines hypothétiques contenant n’importe quel élément naturel et trouver celles qui sont susceptibles d’être stables. Le programme, qui a été formé par apprentissage automatique sur un ensemble de données de 140 000 matériaux, fait des prédictions presque aussi précises que les simulations de chimie quantique et beaucoup plus efficacement. Les chercheurs ont recherché 31 millions de structures potentielles et en ont trouvé 1,8 million de stables. De telles recherches pourraient potentiellement trouver des matériaux de qualité supérieure pour de multiples applications.

L’équation de Schrödinger est insoluble pour les systèmes chimiques plus complexes que l’atome d’hydrogène. Les chimistes s’appuient donc souvent sur des simulations ab initio de la densité électronique telles que la DFT pour calculer les propriétés des systèmes multi-électrons. Ceux-ci peuvent être remarquablement précis, mais, dans les grands systèmes polyatomiques, tels que les cristaux, ils sont extrêmement coûteux en calcul. “En règle générale, la DFT peut être effectuée pour n’importe quel matériau avec moins de 1000 atomes dans la cellule unitaire”, déclare Shyue Ping Ong de l’Université de Californie à San Diego, “mais cela évolue mal et vous ne pouvez pas faire de DFT pour des millions”. de matériaux facilement, même s’il s’agit de matériaux simples.

Les potentiels interatomiques simplifient cela en considérant simplement la forme de la surface d’énergie potentielle des atomes dans différents environnements. Pour apprendre la forme de cette surface d’énergie potentielle, les chercheurs se sont appuyés sur des algorithmes d’apprentissage automatique. « Supposons que vous vous intéressiez au carbone », dit Ong. «Alors, peut-être que vous effectuez des calculs DFT sur différentes structures de carbone pour obtenir les énergies et les forces. Vous utilisez ensuite ces données pour former un potentiel d’apprentissage automatique pour le carbone uniquement… Mais ce potentiel ne fonctionnera pas pour le silicium ou le carbure de silicium. Vous devez répéter l’ensemble du processus de formation pour chaque chimie avec laquelle vous travaillez.

L’esprit sur la matière

Pour surmonter cette limitation, Ong et son scientifique de projet Chi Chen ont utilisé des réseaux de neurones graphiques, une approche d’apprentissage automatique qui combine une représentation graphique avec des algorithmes vaguement modélisés sur le cerveau. Ils sont partis des calculs DFT des énergies et des forces interatomiques dans 140 000 structures inorganiques connues et hypothétiques dans le Materials Project – une base de données open source lancée en 2011. Celles-ci ont servi de données de formation pour un algorithme de réseau neuronal graphique appelé M3GNet, qui s’est appris à déduire comment un atome donné d’un élément particulier était susceptible de se comporter dans différentes configurations. Le résultat est le “potentiel interatomique universel” M3GNet qui régit les interactions entre 89 éléments différents.

Les chercheurs ont pris des structures arbitraires pour 5283 cristaux. Ils ont d’abord utilisé M3GNet pour trouver les états fondamentaux approximatifs. Les « états fondamentaux » M3GNet ont ensuite été à nouveau assouplis par DFT pour trouver des états fondamentaux plus précis. La relaxation des structures arbitraires par M3GNet a réduit les énergies des cristaux d’au moins 10 fois plus que la relaxation DFT ultérieure. Cela a montré que M3GNet avait trouvé l’état fondamental du système presque aussi bien que DFT, mais à un coût de calcul beaucoup plus faible – la structure de K57Se34,, par exemple qui nécessitait à l’origine 15h sur un processeur 32 cœurs lorsqu’il était calculé par DFT, pouvait être calculé par M3GNet en 22s sur un ordinateur portable monocœur. «À l’heure actuelle, des milliers ou des dizaines de milliers d’atomes sont réalisables», déclare Ong. “Nous implémentons une amélioration du code qui utilise des GPU qui rendra les systèmes avec plus de 100 000 atomes plus faisables.”

De plus, Chi Chen, maintenant chez Microsoft Quantum, affirme que la relaxation en deux étapes présente un avantage. «Pour de nombreuses structures, le calcul DFT reste bloqué dans les minima locaux. La relaxation M3GNet suivie d’une relaxation DFT obtient des énergies plus faibles par rapport à la relaxation DFT seule», explique-t-il.

Cartographier l’espace matériel

Le M3GNet a recherché 31 millions de structures cristallines hypothétiques avec 50 atomes ou moins dans la cellule unitaire, trouvant qu’environ 1,8 million étaient potentiellement stables. Les chercheurs ont analysé 2000 d’entre eux à l’aide de la DFT, ce qui concordait avec la prédiction de stabilité dans 1578 cas. Les chercheurs ont également utilisé M3GNet pour prédire les élasticités des matériaux et les courbes de dispersion des phonons, qui sont importantes pour déterminer des propriétés telles que la stabilité dynamique et la conductivité thermique, et dans les deux cas, ils ont trouvé un bon accord avec DFT.

Les chercheurs espèrent maintenant que l’algorithme pourra trouver de nouveaux matériaux utiles. « Il n’y a pas de synthèse dans ce travail », dit Ong. ‘DFT est la référence. Mais j’espère que certaines de ces prédictions seront éventuellement vérifiées expérimentalement. Par exemple, je travaille sur des batteries lithium-ion. L’une des propriétés qui vous intéresse généralement est la conductivité lithium-ion. Notre potentiel universel peut fonctionner avec n’importe quelle combinaison d’éléments du tableau périodique et peut donc être utilisé pour simuler n’importe quel matériau de batterie lithium-ion potentiel.

“C’est un travail très impressionnant”, déclare Pablo Piaggi de l’université de Princeton dans le New Jersey. «En règle générale, l’apprentissage en profondeur dans les simulations moléculaires est utilisé pour étudier une substance spécifique et un très petit nombre d’éléments chimiques. Dans cet article, ils vont complètement dans la direction opposée… Mon impression générale était que le travail a un énorme potentiel pour prédire de nouveaux composés, qui pourraient éventuellement surpasser les matériaux connus pour différentes applications.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

*