Comment l’apprentissage automatique réinvente la modélisation des matériaux

L’approche d’apprentissage en profondeur permet des calculs de structure électronique précis 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 d’énergie. Cependant, l’absence d’une technique de simulation offrant à la fois une haute fidélité et une évolutivité à 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

” data-gt-translate-attributes=”[{“attribute=””>Helmholtz-ZentrumDresde-Rossendorf[{“attribute=””>Helmholtz-ZentrumDresden-Rossendorf (HZDR) à Görlitz, en Allemagne, et Sandia National Laboratories à Albuquerque, au Nouveau-Mexique, aux États-Unis, sont maintenant les pionniers d’un

” data-gt-translate-attributes=”[{“attribute=””>apprentissageautomatique[{“attribute=””>machinelearningbasée sur la méthode de simulation (npj Computational Materials, DOI : 10.1038/s41524-023-01070-z) qui remplace les techniques traditionnelles de simulation de structure électronique. Leur pile logicielle d’algorithmes d’apprentissage des matériaux (MALA) permet d’accéder à des échelles de longueur auparavant inaccessibles.

Les électrons sont des particules élémentaires d’importance fondamentale. Leurs interactions mécaniques quantiques entre elles et avec les noyaux atomiques donnent lieu à une multitude de phénomènes observés en chimie et science des matériaux. Comprendre et contrôler la structure électronique de la matière donne un aperçu de la réactivité des molécules, de la structure et du transport d’énergie au sein des planètes et des mécanismes de défaillance des matériaux.

Les défis scientifiques sont de plus en plus relevés par la modélisation et la simulation informatiques, en exploitant les capacités du calcul haute performance. Cependant, un obstacle important à la réalisation de simulations réalistes avec une précision quantique est l’absence d’une technique de modélisation prédictive qui combine des

” data-gt-translate-attributes=”[{“attribute=””>précision[{“attribute=””>accuracy avec une évolutivité sur différentes échelles de longueur et de temps. Les méthodes classiques de simulation atomistique peuvent gérer des systèmes vastes et complexes, 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 haute fidélité mais sont exigeantes en termes de calcul. Par exemple, la théorie fonctionnelle de la densité (DFT), une méthode des premiers principes largement utilisée, présente une mise à l’échelle cubique avec la taille du système, limitant ainsi ses capacités prédictives aux petites échelles.

Instantané d’une simulation d’apprentissage en profondeur de plus de 10 000 atomes de béryllium. La distribution des électrons dans ce matériau est visualisée sous forme de nuages ​​de points rouges (électrons délocalisés) et bleus (électrons situés à proximité des noyaux atomiques). Cette simulation n’est pas réalisable en utilisant le calcul DFT classique. Grâce à MALA, cela a été accompli en 5 minutes environ en utilisant seulement 150 unités centrales de traitement. Des filtres graphiques ont été utilisés pour augmenter l’intelligibilité de la simulation. Les zones blanches au niveau des franges sont également dues aux filtres. Le schéma en arrière-plan indique le fonctionnement de l’apprentissage en profondeur. Crédit : HZDR / CASUS

Approche hybride basée sur le deep learning

L’équipe de chercheurs a maintenant présenté une nouvelle méthode de simulation appelée la 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, un doctorat. étudiant et développeur clé de MALA chez CASUS, explique : « MALA intègre l’apprentissage automatique à des approches basées sur la physique pour prédire la structure électronique des matériaux. Il utilise une approche hybride, utilisant une méthode d’apprentissage automatique établie appelée apprentissage en profondeur pour prédire avec précision les quantités locales, complétée par des algorithmes de physique pour calculer les quantités globales d’intérêt.

La pile logicielle MALA prend l’arrangement des atomes dans l’espace comme entrée et génère des empreintes digitales appelées composants bispectraux, qui codent l’arrangement spatial des atomes autour d’un point de grille cartésien. Le modèle d’apprentissage automatique de MALA est formé pour prédire la structure électronique en fonction de ce voisinage atomique. Un avantage significatif de MALA est la capacité de son modèle d’apprentissage automatique à être indépendant de la taille du système, ce qui lui permet d’être formé sur les données de petits systèmes et déployé à n’importe quelle échelle.

Dans leur publication, l’équipe de chercheurs a montré la remarquable efficacité de cette stratégie. Ils ont atteint une accélération de plus de 1 000 fois pour des systèmes de plus petite taille, composés jusqu’à quelques milliers d’atomes, par rapport aux algorithmes conventionnels. De plus, 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. Notamment, cette réalisation a été réalisée avec un effort de calcul modeste, révélant les limites des codes DFT conventionnels.

Attila Cangi, responsable par intérim du département Matière dans des conditions extrêmes chez CASUS, explique : « À mesure que la taille du système augmente et que davantage d’atomes sont impliqués, les calculs DFT deviennent impraticables, tandis que l’avantage de vitesse de MALA continue de croître. La percée clé de MALA réside dans sa capacité à fonctionner sur des environnements atomiques locaux, permettant des prédictions numériques précises qui sont peu affectées par la taille du système. Cette réalisation révolutionnaire ouvre des possibilités de calcul qui étaient autrefois considérées comme inaccessibles.

Coup de pouce pour la recherche appliquée attendu

Cangi vise à repousser les limites des calculs de structure électronique en tirant parti de l’apprentissage automatique : « Nous prévoyons que MALA déclenchera une transformation dans les calculs de structure électronique, car nous disposons désormais d’une méthode pour simuler des systèmes beaucoup plus grands à une vitesse sans précédent. À l’avenir, les chercheurs seront en mesure de relever un large éventail de défis sociétaux sur la base d’une base de référence considérablement améliorée, notamment le développement de nouveaux vaccins et de nouveaux matériaux pour le stockage de l’énergie, la réalisation de simulations à grande échelle de dispositifs à semi-conducteurs, l’étude des défauts des matériaux et l’exploration de la chimie réactions pour convertir le dioxyde de carbone, un gaz à effet de serre atmosphérique, en minéraux respectueux du climat.

De plus, l’approche de MALA est particulièrement adaptée au calcul haute performance (HPC). Au fur et à mesure que la taille du système augmente, MALA permet un traitement indépendant sur la grille de calcul qu’il utilise, exploitant efficacement les ressources HPC, en particulier les unités de traitement graphique.

Siva Rajamanickam, scientifique et experte en calcul parallèle aux Sandia National Laboratories, explique : « L’algorithme de MALA pour les calculs de structure électronique correspond bien aux systèmes HPC modernes avec des accélérateurs distribués. La capacité de décomposer le travail et d’exécuter en parallèle différents points de grille sur différents accélérateurs fait de MALA un complément idéal pour l’apprentissage automatique évolutif sur les ressources HPC, conduisant à une vitesse et une efficacité inégalées dans les calculs de structure électronique.

Référence : « Predicting electronic structures at any length scale with machine learning » par Lenz Fiedler, Normand A. Modine, Steve Schmerler, Dayton J. Vogel, Gabriel A. Popoola, Aidan P. Thompson, Sivasankaran Rajamanickam et Attila Cangi, 27 juin 2023 , npj Matériaux informatiques.
DOI : 10.1038/s41524-023-01070-z

Outre les partenaires de développement HZDR et Sandia National Laboratories, MALA est déjà employé 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.