L’approche multi-fidélité permet également de prédire les propriétés des matériaux désordonnés – Technoguide

Les progrès des technologies énergétiques, de la santé, des semi-conducteurs et de la production alimentaire ont tous un point commun: ils reposent sur le développement de nouveaux matériaux – de nouvelles combinaisons d’atomes – qui ont des propriétés spécifiques leur permettant d’accomplir une fonction nécessaire. Dans un passé pas trop lointain, la seule façon de connaître les propriétés d’un matériau était d’effectuer des mesures expérimentales ou d’utiliser des calculs très coûteux.

Plus récemment, les scientifiques ont utilisé des algorithmes d’apprentissage automatique pour prédire rapidement les propriétés de certains arrangements d’atomes. Le défi de cette approche est qu’elle nécessite beaucoup de données très précises pour entraîner le modèle, qui n’existe souvent pas.

En combinant de grandes quantités de données basse fidélité avec les plus petites quantités de données haute fidélité, les nano-ingénieurs du laboratoire virtuel des matériaux de l’UC San Diego ont développé une nouvelle méthode d’apprentissage automatique pour prédire les propriétés des matériaux avec plus de précision que les modèles existants. Surtout, leur approche est également la première à prédire les propriétés des matériaux désordonnés – ceux dont les sites atomiques peuvent être occupés par plus d’un élément ou peuvent être vacants. Ils ont détaillé leur approche des réseaux de graphes multi-fidélité le 14 janvier dans Nature Computational Science.

“Lorsque vous concevez un nouveau matériau, l’une des choses clés que vous voulez savoir est si le matériau est susceptible d’être stable et quels types de propriétés il possède”, a déclaré Shyue Ping Ong, professeur de nano-ingénierie à l’UC San. Diego Jacobs School of Engineering et l’auteur correspondant de l’article. «Le problème fondamental est que des données précises et précieuses, telles que des mesures expérimentales, sont difficiles à trouver, même si nous disposons de grandes bases de données de propriétés calculées moins précises. Ici, nous essayons d’obtenir le meilleur des deux mondes – combiner le grand bas -des données de fidélité et des données de haute fidélité plus petites pour améliorer la précision des modèles dans les prédictions de grande valeur. “

Alors que d’autres approches multi-fidélité existent, ces méthodes ne s’adaptent pas bien ou sont limitées à seulement deux fidélité de données. Ils ne sont pas aussi précis ou dynamiques que cette nouvelle approche de réseau graphique multi-fidélité, qui peut fonctionner avec un nombre illimité de fidélité de données et peut être mise à l’échelle très rapidement.

Dans cet article, les nano-ingénieurs se sont penchés spécifiquement sur les bandes interdites des matériaux – une propriété utilisée pour déterminer la conductivité électrique, la couleur du matériau, l’efficacité des cellules solaires, etc. – comme preuve de concept. Leurs réseaux de graphes multi-fidélité ont conduit à une diminution de 22 à 45% des erreurs absolues moyennes des prédictions expérimentales de bande interdite, par rapport à une approche traditionnelle à simple fidélité. Les chercheurs ont également montré que leur approche peut également prédire avec précision les énergies moléculaires haute fidélité.

“Il n’y a aucune limitation fondamentale quant aux propriétés auxquelles cela peut s’appliquer”, a déclaré Ong. “La question est de savoir sur quel type de propriétés nous disposons de données.”

À court terme, l’équipe d’Ong prévoit d’utiliser cette nouvelle méthode pour développer de meilleurs matériaux pour le stockage d’énergie, des cellules photovoltaïques et des dispositifs à semi-conducteurs.

Tout en prédisant les propriétés des matériaux ordonnés, l’équipe a fait une autre découverte fortuite: dans le modèle d’apprentissage profond de graphe qu’ils utilisent, les attributs atomiques sont représentés comme un vecteur d’intégration de longueur 16 appris. En interpolant ces vecteurs d’enrobage appris, les chercheurs ont découvert qu’ils étaient également en mesure de créer un modèle prédictif pour les matériaux désordonnés, qui ont des sites atomiques qui peuvent être occupés par plus d’un élément ou peuvent parfois être vacants, ce qui les rend plus difficiles à étudier en utilisant méthodes.

«Alors que la majeure partie des travaux informatiques et d’apprentissage automatique se sont concentrés sur des matériaux ordonnés, les composés désordonnés forment en fait la majorité des matériaux connus», a déclaré Chi Chen, assistant scientifique du projet dans le laboratoire d’Ong et premier auteur de l’article. “En utilisant cette approche, les modèles de réseau de graphes multi-fidélité peuvent reproduire avec une bonne précision les tendances des bandes interdites dans les matériaux désordonnés.”

Cela ouvre la porte à une conception beaucoup plus rapide et plus précise de nouveaux matériaux pour répondre aux besoins sociétaux clés.

«Ce que nous montrons dans ce travail, c’est que vous pouvez réellement adapter un algorithme d’apprentissage automatique pour prédire les propriétés des matériaux désordonnés. En d’autres termes, nous sommes maintenant en mesure de faire la découverte et la prédiction de matériaux dans tout l’espace des matériaux ordonnés et désordonnés plutôt que vient de commander du matériel », a déclaré Ong. “Pour autant que nous le sachions, c’est une première.”

Le travail a été soutenu par le Materials Project, une initiative de science ouverte visant à rendre les propriétés de tous les matériaux connus accessibles au public afin d’accélérer l’innovation dans les matériaux, financé par le Département américain de l’énergie, l’Office of Science, Office of Basic Energy Sciences, Materials Sciences et Division de l’ingénierie (DE-AC02-05-CH11231: programme de projet sur les matériaux KC23MP). Toutes les données et tous les modèles de ce travail ont également été rendus publics via le référentiel mégnet du Materials Virtual Lab sur Github.

.

Lire plus

A propos Technoguide

Voir aussi

Utilisation des médias sociaux motivée par la recherche de récompenses, comme les animaux à la recherche de nourriture – Technoguide

Notre utilisation des médias sociaux, en particulier nos efforts pour maximiser les «j’aime», suit un …

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Défiler vers le haut