L'approche de l'IA améliore l'efficacité de la simulation multi-échelle des matériaux pour l'électronique portable

L’intégration de simulations à l’échelle microscopique et macroscopique constitue depuis longtemps un défi informatique en science des matériaux. Pour résoudre ce problème, les chercheurs ont développé AGAT, un modèle d'apprentissage automatique qui prédit efficacement les comportements des matériaux utilisés dans l'électronique portable, en se concentrant particulièrement sur les composites CNT/PDMS.

Le modèle AGAT a été établi sur la base de l'architecture des réseaux d'attention graphiques intégrés aux réseaux de neurones artificiels (ANN). La couche ANN intégrée, utilisée pour prédire le module de Young à partir de la longueur et du rayon du CNT, sert de pont entre le modèle moléculaire et le modèle à méso-échelle.

Utilisant des données provenant de simulations multi-échelles approfondies et de la littérature existante, le modèle a été formé pour évaluer les propriétés de détection des matériaux des composites CNT/PDMS avec une grande précision.

Le modèle AGAT offre une réduction significative de la charge de calcul des propriétés des matériaux essentielles aux dispositifs électroniques flexibles. En comblant le fossé entre les simulations moléculaires détaillées et les applications pratiques à l'échelle macro, le modèle permet aux concepteurs d'explorer de nouveaux matériaux et de les optimiser pour des interfaces électroniques avec une grande efficacité.

Les résultats sont publiés dans la revue Ouverture nationale des sciences. La recherche a été dirigée par le professeur Xiaonan Wang et le Dr Lingjie Yu.