Un nouveau framework applique l’apprentissage automatique à la modélisation atomistique


Atomes

Crédit photo : Pixabay / domaine public CC0

Des chercheurs de la Northwestern University ont utilisé l’apprentissage pour développer un nouveau cadre qui améliore la des potentiels interatomiques – les règles directrices qui décrivent comment les atomes interagissent – lors de la conception de nouveaux matériaux. Les résultats pourraient conduire à des prédictions plus précises sur la façon dont les nouveaux matériaux transfèrent la chaleur, se déforment et échouent au niveau atomique.

La conception de nouveaux nanomatériaux est un aspect important du développement de dispositifs de prochaine génération utilisés dans l’électronique, les capteurs, la production et le stockage d’énergie, les détecteurs optiques et les matériaux de structure. Pour concevoir ces matériaux, les chercheurs créent des potentiels interatomiques grâce à la atomistique, une approche informatique qui prédit le comportement de ces matériaux en tenant compte de leurs propriétés au plus petit niveau. Le processus de détermination du potentiel interatomique des matériaux – connu sous le nom de paramétrisation – a nécessité une intuition chimique et physique considérable, ce qui a entraîné une prédiction moins précise de la conception de nouveaux matériaux.

La plate-forme des chercheurs minimise l’intervention de l’utilisateur grâce à l’utilisation d’algorithmes génétiques multi-objectifs d’optimisation et de techniques d’analyse statistique, et recherche des potentiels interatomiques et des ensembles de paramètres prometteurs.

« Les algorithmes de calcul que nous développons fournissent aux analystes une méthodologie pour évaluer et éviter les défauts traditionnels », déclare Horacio Espinosa, James N. et Nancy J. Farley, professeur de fabrication et d’entrepreneuriat et professeur de génie mécanique et (avec la permission) de génie biomédical et civil. et le génie de l’environnement qui a dirigé la recherche. « Ils offrent également la possibilité d’adapter le paramétrage à des applications intéressantes. »

Les résultats ont été publiés le 21 juillet dans une étude intitulée « Parametrization of Interatomic Potentials for Accurate Large Deformation Pathways Using Multi-Objective Genetic Algorithms and Statistical Analyzes: A Case Study on Two-Dimensional Materials » Revues Partenaires Nature – Matériel informatique.

Xu Zhang et Hoang Nguyen, tous deux étudiants du programme d’études supérieures en mécanique théorique et appliquée (TAM) de Northwestern Engineering, ont été les premiers co-auteurs de l’étude. Les autres co-auteurs étaient Jeffrey T. Paci de l’Université de Victoria, Canada, Subramanian Sankaranarayanan du Laboratoire national d’Argonne et Jose Mendoza de la Michigan State University.

Le cadre des chercheurs utilise des ensembles de de formation et de dépistage obtenus à partir des résultats de simulation de la théorie fonctionnelle de la densité, suivis d’une étape d’évaluation qui comprend une analyse en composantes principales et une analyse de corrélation.

« Nous avons défini une série d’étapes pour parvenir à une approche itérative de l’apprentissage avec des objectifs d’optimisation spécifiques », a déclaré Espinosa, qui dirige le programme TAM. « Notre approche statistique permet aux utilisateurs de réaliser des objectifs d’optimisation opposés qui sont importants pour fixer des limites d’applicabilité et de transférabilité aux potentiels paramétrés. » Ces relations peuvent révéler la physique sous-jacente de certains phénomènes qui semblent être sans rapport les uns avec les autres.

L’équipe a identifié une corrélation positive entre la précision du potentiel interatomique et la complexité et le nombre des paramètres spécifiés – un phénomène qui est considéré comme vrai dans la pratique mais qui n’a pas été prouvé auparavant à l’aide de méthodes quantitatives. Cette complexité doit être contrée avec une quantité correspondante de données d’entraînement. Ne pas le faire se traduira par une précision réduite, en particulier dans le cas de données contenant des informations critiques.

Par exemple, les chercheurs ont découvert que l’amélioration de la précision des potentiels interatomiques nécessitait des propriétés de non-équilibre et des données d’ajustement de force.

« Cela comprenait une meilleure description des chemins de déformation importants et des défaillances matérielles », a déclaré Nguyen.

« Bien qu’il ne s’agisse pas de propriétés traditionnelles visées dans le paramétrage, elles sont essentielles pour comprendre la fiabilité et la fonctionnalité des matériaux et des dispositifs », a déclaré Zhang.

La nouvelle approche permet également de supprimer la barrière de l’expérience utilisateur lors de l’entrée dans ce domaine de recherche. « Avec ce travail, nous espérons faire un pas en avant dans la mesure où les techniques de simulation reflètent plus fidèlement les propriétés des matériaux. Ces connaissances peuvent être étendues et finalement influencer la conception des appareils et des technologies que nous utilisons tous », a déclaré Zhang.

Ensuite, les chercheurs utiliseront leurs modèles pour étendre leurs études afin d’examiner les fractures et les déformations dans les matériaux 2D, ainsi que le rôle de l’ingénierie des défauts dans l’amélioration de la ténacité. Ils développent également des expériences de microscopie électronique in situ qui révèlent des modes de défaillance atomistiques et permettent d’évaluer les capacités prédictives des potentiels paramétrés.


Apprentissage automatique de modèles de matière au-delà des potentiels interatomiques


Plus d’information:
Xu Zhang et al., Paramétrage multi-objectif des potentiels interatomiques pour les grands chemins de déformation et la fracture de matériaux bidimensionnels, matériel informatique npj (2021). DOI : 10.1038 / s41524-021-00573-x

Fourni par l’Université Northwestern

Citation: Un nouveau cadre applique l’apprentissage automatique à la modélisation atomistique (2021, 22 juillet), consulté le 22 juillet 2021 à partir de https://phys.org/news/2021-07--machine-atomistic.html

Ce document est soumis au droit d’auteur. Sauf pour le commerce équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans autorisation écrite. Le contenu est fourni à titre informatif seulement.

Laisser un commentaire