L'apprentissage automatique fait entrer la modélisation des matériaux dans une nouvelle ère
Une approche d'apprentissage en profondeur permet de calculer avec précision la structure électronique à grande échelle
L'arrangement des électrons dans la matière, connu sous le nom de structure électronique, joue un rôle crucial dans la recherche fondamentale mais aussi appliquée, comme la conception de médicaments et le stockage de l'énergie. Cependant, l'absence d'une technique de simulation offrant à la fois une grande fidélité et une évolutivité sur différentes échelles de temps et de longueur a longtemps été un obstacle au progrès de ces technologies. Des chercheurs du Center for Advanced Systems Understanding (CASUS) du Helmholtz-Zentrum Dresden-Rossendorf (HZDR) à Görlitz, en Allemagne, et des Sandia National Laboratories à Albuquerque, au Nouveau-Mexique, aux États-Unis, viennent de mettre au point une méthode de simulation basée sur l'apprentissage automatique(npj Computational Materials) qui supplante les techniques traditionnelles de simulation de la structure électronique. Leur logiciel Materials Learning Algorithms (MALA) permet d'accéder à des échelles de longueur jusqu'alors inaccessibles.
Les électrons sont des particules élémentaires d'une importance fondamentale. Leurs interactions mécaniques quantiques entre eux et avec les noyaux atomiques sont à l'origine d'une multitude de phénomènes observés en chimie et en science des matériaux. La compréhension et le contrôle de la structure électronique de la matière permettent de mieux comprendre la réactivité des molécules, la structure et le transport de l'énergie au sein des planètes, ainsi que les mécanismes de défaillance des matériaux.
Les défis scientifiques sont de plus en plus souvent relevés au moyen de la modélisation et de la simulation informatiques, en tirant parti des capacités de calcul à haute performance. Toutefois, l'absence d'une technique de modélisation prédictive combinant une grande précision et une évolutivité sur différentes échelles de temps et de longueur constitue un obstacle important à la réalisation de simulations réalistes avec une précision quantique. Les méthodes classiques de simulation atomistique peuvent traiter des systèmes complexes et de grande taille, mais leur omission de la structure électronique quantique limite leur applicabilité. À l'inverse, les méthodes de simulation qui ne reposent pas sur des hypothèses, telles que la modélisation empirique et l'ajustement des paramètres (méthodes des premiers principes), offrent une grande fidélité, mais sont gourmandes en ressources informatiques. Par exemple, la théorie de la fonctionnelle de la densité (DFT), une méthode de premier principe largement utilisée, présente une échelle cubique avec la taille du système, ce qui limite ses capacités prédictives aux petites échelles.
Approche hybride basée sur l'apprentissage profond
L'équipe de chercheurs a présenté une nouvelle méthode de simulation appelée "pile logicielle d'algorithmes d'apprentissage des matériaux" (MALA). En informatique, une pile logicielle est un ensemble d'algorithmes et de composants logiciels qui sont combinés pour créer une application logicielle permettant de résoudre un problème particulier. Lenz Fiedler, doctorant et développeur principal de MALA à CASUS, explique : "MALA intègre l'apprentissage automatique à des approches basées sur la physique pour prédire la structure électronique des matériaux. Il emploie une approche hybride, utilisant une méthode d'apprentissage automatique établie appelée apprentissage profond pour prédire avec précision les quantités locales, complétée par des algorithmes physiques pour calculer les quantités globales d'intérêt".
La pile logicielle MALA prend en compte la disposition des atomes dans l'espace et génère des empreintes digitales connues sous le nom de composantes du bispectre, qui codent la disposition spatiale des atomes autour d'un point de grille cartésien. Le modèle d'apprentissage automatique de MALA est entraîné à prédire la structure électronique sur la base de ce voisinage atomique. L'un des principaux avantages de MALA est que son modèle d'apprentissage automatique est indépendant de la taille du système, ce qui lui permet d'être entraîné sur des données provenant de petits systèmes et d'être déployé à n'importe quelle échelle.
Dans leur publication, l'équipe de chercheurs a démontré l'efficacité remarquable de cette stratégie. Ils ont obtenu une accélération de plus de 1 000 fois pour des systèmes de plus petite taille, composés de quelques milliers d'atomes, par rapport aux algorithmes conventionnels. En outre, l'équipe a démontré la capacité de MALA à effectuer avec précision des calculs de structure électronique à grande échelle, impliquant plus de 100 000 atomes. Cette prouesse a été réalisée avec un effort de calcul modeste, révélant les limites des codes DFT conventionnels.
Attila Cangi, chef intérimaire du département "Matière dans des conditions extrêmes" au CASUS, explique : "À mesure que la taille du système augmente et que davantage d'atomes sont impliqués, les calculs DFT deviennent impraticables, alors que l'avantage de MALA en termes de vitesse ne cesse de croître. La principale avancée de MALA réside dans sa capacité à opérer sur des environnements atomiques locaux, ce qui permet des prédictions numériques précises qui sont très peu affectées par la taille du système. Cette réalisation révolutionnaire ouvre des possibilités de calcul qui étaient autrefois considérées comme inaccessibles".
Un coup de pouce attendu pour la recherche appliquée
M. Cangi entend repousser les limites des calculs de structure électronique en tirant parti de l'apprentissage automatique : "Nous pensons que MALA entraînera une transformation des calculs de structure électronique, car nous disposons désormais d'une méthode permettant de simuler des systèmes beaucoup plus grands à une vitesse sans précédent. À l'avenir, les chercheurs pourront relever un large éventail de défis sociétaux en s'appuyant sur une base de référence considérablement améliorée, notamment en développant de nouveaux vaccins et de nouveaux matériaux pour le stockage de l'énergie, en réalisant des simulations à grande échelle de dispositifs semi-conducteurs, en étudiant les défauts des matériaux et en explorant les réactions chimiques permettant de convertir le gaz à effet de serre atmosphérique qu'est le dioxyde de carbone en minéraux respectueux du climat."
En outre, l'approche de MALA est particulièrement adaptée au calcul à haute performance (HPC). À mesure que la taille du système augmente, MALA permet un traitement indépendant sur la grille de calcul qu'il utilise, ce qui permet d'exploiter efficacement les ressources HPC, en particulier les unités de traitement graphique. Siva Rajamanickam, scientifique et expert en informatique parallèle aux Sandia National Laboratories, explique : "L'algorithme de MALA pour les calculs de structure électronique s'adapte bien aux systèmes HPC modernes dotés d'accélérateurs distribués. La capacité de décomposer le travail et d'exécuter en parallèle différents points de grille sur différents accélérateurs fait de MALA une solution idéale pour l'apprentissage automatique évolutif sur les ressources HPC, ce qui permet d'atteindre une vitesse et une efficacité inégalées dans les calculs de structure électronique".
Outre les partenaires en développement HZDR et Sandia National Laboratories, MALA est déjà utilisé par des institutions et des entreprises telles que le Georgia Institute of Technology, la North Carolina A&T State University, Sambanova Systems Inc. et Nvidia Corp.
Note: Cet article a été traduit à l'aide d'un système informatique sans intervention humaine. LUMITOS propose ces traductions automatiques pour présenter un plus large éventail d'actualités. Comme cet article a été traduit avec traduction automatique, il est possible qu'il contienne des erreurs de vocabulaire, de syntaxe ou de grammaire. L'article original dans Anglais peut être trouvé ici.
Publication originale
Autres actualités du département science
Recevez les dernières actualités de l’industrie chimique
Ne manquez plus aucune actualité : notre newsletter consacrée à l'industrie chimique, aux méthodes analytiques, aux laboratoires et à la technologie des processus vous informe tous les mardis et jeudis. Les dernières nouvelles du secteur, les produits phares et les innovations - de manière compacte et compréhensible dans votre boîte de réception. Recherché par nos soins, pour que vous n'ayez pas à le faire.
