Dans une simulation de la congélation de l'eau, l'intelligence artificielle brise la glace.

La simulation qui en résulte décrit comment les molécules d'eau se transforment en glace solide avec une précision quantique. Ce niveau de précision, que l'on pensait autrefois inaccessible en raison de la puissance de calcul qu'il nécessitait, est devenu possible lorsque les chercheurs ont intégré des réseaux neuronaux profonds, une forme d'intelligence artificielle, à leurs méthodes. L'étude a été publiée dans la revue Proceedings of the National Academy of Sciences.

"Dans un sens, c'est comme un rêve devenu réalité", a déclaré Roberto Car, professeur de chimie Ralph W. *31 Dornte à Princeton, qui a été le co-pionnier de l'approche consistant à simuler les comportements moléculaires sur la base des lois quantiques sous-jacentes il y a plus de 35 ans. "Notre espoir était alors qu'un jour nous serions en mesure d'étudier des systèmes comme celui-ci, mais ce n'était pas possible sans un développement conceptuel supplémentaire, et ce développement est venu via un domaine complètement différent, celui de l'intelligence artificielle et de la science des données."

La capacité à modéliser les étapes initiales de la congélation de l'eau, un processus appelé nucléation de la glace, pourrait améliorer la précision de la modélisation météorologique et climatique ainsi que d'autres traitements comme la congélation instantanée des aliments.

La nouvelle approche permet aux chercheurs de suivre l'activité de centaines de milliers d'atomes sur des périodes de temps des milliers de fois plus longues, bien qu'il ne s'agisse encore que de fractions de seconde, que dans les premières études.

Car a co-inventé l'approche consistant à utiliser les lois sous-jacentes de la mécanique quantique pour prédire les mouvements physiques des atomes et des molécules. Les lois de la mécanique quantique dictent comment les atomes se lient les uns aux autres pour former des molécules, et comment les molécules s'assemblent entre elles pour former des objets de la vie quotidienne.

M. Car et Michele Parrinello, un physicien travaillant aujourd'hui à l'Istituto Italiano di Tecnologia en Italie, ont publié leur approche, connue sous le nom de dynamique moléculaire "ab initio" (du latin "du début"), dans un article révolutionnaire en 1985.

Mais les calculs de mécanique quantique sont complexes et nécessitent une énorme puissance de calcul. Dans les années 1980, les ordinateurs ne pouvaient simuler qu'une centaine d'atomes sur des durées de quelques trillionièmes de seconde. Les progrès ultérieurs de l'informatique et l'avènement des superordinateurs modernes ont permis d'augmenter le nombre d'atomes et la durée de la simulation, mais le résultat était loin de correspondre au nombre d'atomes nécessaires pour observer des processus complexes tels que la nucléation de la glace.

L'IA a fourni une solution potentielle attrayante. Les chercheurs ont entraîné un réseau neuronal, nommé ainsi en raison de ses similitudes avec le fonctionnement du cerveau humain, à reconnaître un nombre relativement faible de calculs quantiques sélectionnés. Une fois entraîné, le réseau neuronal peut calculer les forces entre les atomes qu'il n'a jamais vues auparavant avec une précision de type mécanique quantique. Cette approche d'"apprentissage automatique" est déjà utilisée dans des applications quotidiennes telles que la reconnaissance vocale et les automobiles à conduite autonome.

Dans le cas de l'IA appliquée à la modélisation moléculaire, une contribution majeure a été apportée en 2018 lorsque Linfeng Zhang, étudiant diplômé de Princeton, travaillant avec Car et Weinan E, professeur de mathématiques à Princeton, a trouvé un moyen d'appliquer les réseaux neuronaux profonds à la modélisation des forces interatomiques de la mécanique quantique. Zhang, qui a obtenu son doctorat en 2020 et qui est maintenant chercheur scientifique à l'Institut de recherche sur le Big Data de Pékin, a appelé cette approche "dynamique moléculaire potentielle profonde."

Dans l'article actuel, Car et le chercheur postdoctoral Pablo Piaggi ainsi que leurs collègues ont appliqué ces techniques au défi de simuler la nucléation de la glace. Grâce à la dynamique moléculaire potentielle profonde, ils ont pu effectuer des simulations de 300 000 atomes en utilisant beaucoup moins de puissance de calcul et pendant des périodes beaucoup plus longues qu'auparavant. Ils ont effectué les simulations sur Summit, l'un des superordinateurs les plus rapides au monde, situé au Oak Ridge National Laboratory.

Ces travaux constituent l'une des meilleures études sur la nucléation de la glace, a déclaré Pablo Debenedetti, doyen de la recherche de Princeton, professeur d'ingénierie et de sciences appliquées de la classe 1950 et coauteur de la nouvelle étude.

"La nucléation de la glace est l'une des principales inconnues des modèles de prévision météorologique", a déclaré M. Debenedetti. "Il s'agit d'une avancée assez significative car nous constatons un très bon accord avec les expériences. Nous avons été en mesure de simuler de très grands systèmes, ce qui était auparavant impensable pour les calculs quantiques."

Actuellement, les modèles climatiques obtiennent des estimations de la vitesse de nucléation de la glace principalement à partir d'observations faites dans des expériences de laboratoire, mais ces corrélations sont descriptives, non prédictives, et sont valables pour une gamme limitée de conditions expérimentales. En revanche, les simulations moléculaires du type de celles réalisées dans cette étude peuvent produire des simulations prédictives de situations futures et estimer la formation de glace dans des conditions extrêmes de température et de pression, comme sur d'autres planètes.

"La méthodologie du potentiel profond utilisée dans notre étude contribuera à concrétiser la promesse de la dynamique moléculaire ab initio de produire des prédictions valables de phénomènes complexes, tels que les réactions chimiques et la conception de nouveaux matériaux", a déclaré Athanassios Panagiotopoulos, titulaire de la chaire Susan Dod Brown de génie chimique et biologique et co-auteur de l'étude.

"Le fait que nous étudions des phénomènes très complexes à partir des lois fondamentales de la nature est pour moi très excitant", a déclaré M. Piaggi, premier auteur de l'étude et chercheur associé postdoctoral en chimie à Princeton. M. Piaggi a obtenu son doctorat en travaillant avec M. Parrinello sur le développement de nouvelles techniques permettant d'étudier les événements rares, tels que la nucléation, à l'aide de simulations informatiques. Les événements rares se produisent sur des échelles de temps plus longues que les temps de simulation que l'on peut se permettre, même avec l'aide de l'IA, et des techniques spécialisées sont nécessaires pour les accélérer.

Jack Weis, étudiant diplômé en génie chimique et biologique, a contribué à augmenter la probabilité d'observer la nucléation en "semant" de minuscules cristaux de glace dans la simulation. "L'objectif de l'ensemencement est d'augmenter la probabilité que l'eau forme des cristaux de glace pendant la simulation, ce qui nous permet de mesurer le taux de nucléation", a déclaré Weis, qui est conseillé par Debenedetti et Panagiotopoulos.

Les molécules d'eau sont constituées de deux atomes d'hydrogène et d'un atome d'oxygène. Les électrons qui entourent chaque atome déterminent la façon dont les atomes peuvent se lier les uns aux autres pour former des molécules.

"Nous commençons par l'équation qui décrit le comportement des électrons", a déclaré Piaggi. "Les électrons déterminent comment les atomes interagissent, comment ils forment des liaisons chimiques, et pratiquement toute la chimie."

Les atomes peuvent exister dans des millions d'arrangements différents, a déclaré Car, qui est directeur du centre Chemistry in Solution and at Interfaces, financé par le bureau des sciences du ministère américain de l'énergie et comprenant des universités régionales.

"La magie réside dans le fait qu'en raison de certains principes physiques, la machine est capable d'extrapoler ce qui se passe dans un nombre relativement faible de configurations d'une petite collection d'atomes aux innombrables arrangements d'un système beaucoup plus grand", a déclaré Car.

Bien que les approches de l'IA soient disponibles depuis quelques années, les chercheurs ont été prudents quant à leur application aux calculs des systèmes physiques, a déclaré M. Piaggi. "Lorsque les algorithmes d'apprentissage automatique ont commencé à devenir populaires, une grande partie de la communauté scientifique était sceptique, car ces algorithmes sont une boîte noire. Les algorithmes d'apprentissage automatique ne savent rien de la physique, alors pourquoi les utiliser ?"

Au cours des deux dernières années, cependant, cette attitude a considérablement changé, a déclaré Piaggi, non seulement parce que les algorithmes fonctionnent, mais aussi parce que les chercheurs utilisent leurs connaissances de la physique pour informer les modèles d'apprentissage automatique.

Pour M. Car, il est satisfaisant de voir le travail commencé il y a trois décennies porter ses fruits. "Le développement est venu via quelque chose qui a été développé dans un domaine différent, celui de la science des données et des mathématiques appliquées", a déclaré Car. "Avoir ce type d'interaction croisée entre différents domaines est très important."