La méthode d’apprentissage automatique améliore les prévisions de bande interdite semi-conductrices
Imaginez que vous cuisinez. Vous essayez de développer une saveur unique en mélangeant des épices que vous n’avez jamais combinées auparavant. Prédire comment cela se passera pourrait être délicat. Vous voulez créer quelque chose de délicieux, mais cela pourrait finir par goûter horrible: une perte de temps et des ingrédients.
Mais que se passe-t-il si vous aviez une machine qui pouvait vous dire exactement comment vos concoctions se dérouleront? C’est le genre de technologie que les chercheurs de l’Université de Kyoto ont développé pour la bande interdite des matériaux semi-conducteurs. L’œuvre est publiée dans la revue Science des matériaux informatiques.
Ces matériaux sont constamment recherchés dans le développement de nouveaux appareils et les performances améliorées. Le facteur le plus important pour déterminer les propriétés des semi-conducteurs est la bande interdite, donc les prédictions précises sont essentielles.
Malheureusement, la méthode conventionnelle de calcul d’une bande interdite est coûteuse et pas suffisamment précise à température ambiante, car elle est basée sur les propriétés d’un matériau à zéro absolu. Pour cette raison, les chercheurs ont essayé de développer une méthode d’apprentissage automatique pour obtenir des prédictions plus rapides et précises.
L’équipe de Kyotou a décidé de développer un modèle d’apprentissage automatique intégré aux réseaux de neurones. Cette nouvelle méthode d’ensemble d’apprentissage prédit les propriétés physiques des matériaux inconnus, en utilisant des données basées sur des mesures de composés connus.
« Notre modèle permet une prédiction basée uniquement sur la composition d’un composé », explique Katsuaki Tanabe, l’auteur correspondant.
L’équipe de recherche a utilisé des données de près de 2 000 matériaux semi-conducteurs testés sur six réseaux de neurones différents. Ils ont constaté que l’incorporation de réseaux contradictoires génératifs conditionnels, ou CGAN, et les messages passant des réseaux de neurones, ou MPNN, ont contribué de manière significative à une amélioration de la précision des prévisions. Le modèle résultant a atteint la plus grande précision de prédiction parmi les modèles existants qui ont été développés dans le même but.
« La charge de calcul du modèle d’apprentissage d’ensemble est légère et peut être effectuée en quelques heures sur un ordinateur portable typique », poursuit Tanabe. « Et nous pouvons dire en toute confiance que cette méthode permet une prévision rapide et très précise. »
D’un autre côté, plus la précision des modèles d’apprentissage automatique est élevée, plus leurs mécanismes internes deviennent obscènes. Bien qu’ils soient puissants pour les calculs et les prédictions ad hoc, ils ne sont pas polyvalents ou évolutifs, donc plus de travail est nécessaire.
« Nous développons également d’autres façons d’interpréter la corrélation entre les propriétés de divers matériaux et lacunes de bande », ajoute Tanabe.
Pourtant, ce modèle intégré a démontré que les modèles d’ensemble utilisant des réseaux de neurones sont prometteurs pour ce domaine et potentiellement utiles pour développer une nouvelle génération de semi-conducteurs.
