Comment l'apprentissage automatique peut aider à prédire les propriétés spectrales des matériaux
De nombreuses techniques de la science computationnelle des matériaux exigent des scientifiques qu'ils identifient le bon ensemble de paramètres qui capturent la physique du matériau spécifique qu'ils étudient. Il est parfois possible de calculer ces paramètres à partir de zéro, mais cela coûte beaucoup de temps et de puissance de calcul. Par conséquent, les scientifiques sont toujours désireux de trouver des moyens plus efficaces pour les estimer sans effectuer le calcul complet.
C'est le cas des fonctionnelles de Koopmans, une approche prometteuse qui permet d'étendre la puissance de la théorie de la fonctionnelle de la densité afin qu'elle puisse être utilisée pour prédire les propriétés spectrales des matériaux (telles que les fréquences de la lumière qu'un matériau absorbe), et pas seulement leur état fondamental (telles que les positions optimales des atomes dans ce matériau). La précision des fonctionnelles de Koopmans repose sur la découverte des bons "paramètres de criblage" pour le système étudié. "On peut interpréter les paramètres de criblage comme le degré de réaction des autres électrons d'un système à l'ajout ou au retrait d'un électron", explique Edward Linscott, post-doctorant au Center for Scientific Computing, Theory and Data de l'Institut Paul Scherrer, et membre de MARVEL. Le terme "screening" fait référence au fait que les autres électrons masquent - ou en d'autres termes, font écran - à l'ajout du nouvel électron pour quelqu'un qui observe le système de l'extérieur. Linscott poursuit : "Et ce filtrage électronique - le processus d'ajout ou de retrait d'un électron du système - est précisément le processus physique qui nous intéresse lorsque nous parlons de propriétés spectrales. Par exemple, dans les cellules solaires, en projetant de la lumière sur un matériau photovoltaïque, nous éjectons des électrons de celui-ci et générons un courant électrique". La théorie de la fonctionnelle de la densité est très mauvaise pour décrire des processus tels que ceux-là, et les paramètres de criblage nous indiquent dans quelle mesure une approximation DFT nous fait défaut, et la force de la correction que nous devons appliquer pour redresser correctement la situation", explique Linscott.
L'inconvénient des calculs fonctionnels de Koopmans est qu'ils prennent beaucoup plus de temps que leurs équivalents DFT, principalement en raison du coût du calcul des paramètres de criblage. Un nouvel article publié dans npj Computational Materials montre que même un simple modèle d'apprentissage automatique, formé à partir d'une quantité modeste de données, peut réduire de manière significative le temps nécessaire au calcul des paramètres de criblage dans l'algorithme de Koopmans. L'article est signé par Yannick Schubert de l'Université de Zurich - qui a commencé le projet comme thèse de maîtrise - Sandra Luber (directrice de thèse de Yannick à l'UZH), Nicola Marzari, directeur de MARVEL, et Linscott lui-même.
Les auteurs ont choisi deux matériaux spécifiques pour leur étude : l'eau liquide et la pérovskite d'halogénure CsSnI3. "Ils représentent le type de systèmes pour lesquels nous pensions pouvoir tirer le meilleur parti de l'apprentissage automatique", explique Linscott. "L'eau liquide est naturellement désordonnée et sort de la zone de confort des scientifiques habitués à travailler avec des cristaux immaculés. Par ailleurs, la pérovskite halogénée est un matériau prometteur pour les cellules solaires, pour lesquelles il est important de calculer la façon dont elle évolue en fonction de la température". La modélisation des propriétés spectrales de ces systèmes à l'aide des fonctionnelles de Koopmans nécessiterait des calculs sur de nombreuses copies du même système chimique avec différentes positions atomiques. Ce processus peut être accéléré en entraînant un modèle d'apprentissage automatique sur un sous-ensemble de ces copies, puis en utilisant ce modèle pour prédire les paramètres de criblage pour les copies restantes.
Lorsque les chercheurs se sont lancés, la question était de savoir quel type de modèle d'apprentissage automatique fonctionnerait, parmi les nombreuses options offertes dans ce domaine. Il s'est avéré qu'un modèle simple, appelé régression ridge, faisait l'affaire. "Nous avions une feuille de route de réseaux de plus en plus sophistiqués que nous allions essayer, et nous ne savions pas dès le départ si cela allait fonctionner ou si nous allions être en mesure de générer suffisamment de données", explique Linscott. "À notre grande surprise, le modèle le plus simple, avec très peu de données, a bien fonctionné. Le modèle que nous avons obtenu n'a rien à voir avec les modèles sophistiqués d'apprentissage automatique qui nous entourent aujourd'hui, mais il était suffisant pour calculer avec précision les paramètres de dépistage".
Si le réseau lui-même est simple, les scientifiques l'attribuent en partie au travail minutieux qu'ils ont effectué dans la construction des "descripteurs", qui sont des objets mathématiques devant encapsuler la physique pertinente du système et qui sont introduits dans le modèle d'apprentissage automatique.
Bien qu'il soit possible d'étendre la méthode et de la rendre plus puissante avec un réseau plus complexe et davantage de données d'entraînement, Linscott affirme que la prochaine étape consistera à tirer le meilleur parti de la méthode telle qu'elle existe actuellement et à l'utiliser pour étudier les propriétés spectrales des matériaux intéressants en fonction de la température.
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
![Catalyse de la [Fe]-hydrogénase visualisée à l'aide de la spectroscopie de résonance magnétique nucléaire rehaussée de para-hydrogène](https://img.chemie.de/Portal/News/675fd46b9b54f_sBuG8s4sS.png?tr=w-712,h-534,cm-extract,x-0,y-16:n-xl)
