Un algorithme révolutionnaire élargit l'espace d'exploration des matériaux par ordre de grandeur

Un algorithme révolutionnaire élargit l’espace d’exploration des matériaux par ordre de grandeur

L’architecture du modèle commence à partir d’un graphique incluant la position, puis passe par un processus de caractérisation, suivi de blocs principaux et du module de lecture avec des sorties d’énergie, de force et de contrainte. Le processus de caractérisation comprend le graph featurerizer et le module de calcul à plusieurs corps. Dans le graph featurizer, le nombre atomique d’éléments a été intégré dans un espace de caractéristiques continu apprenable, et les distances de liaison de paire ont été étendues sur un ensemble de base avec des valeurs et des dérivées jusqu’au second ordre allant à zéro à la frontière. Le module de calcul à plusieurs corps calcule les indices atomiques d’interaction à trois corps et à plusieurs corps et les angles associés. Le bloc principal se compose de deux étapes principales, à savoir le module de plusieurs corps à lier et la convolution de graphe standard. L’étape plusieurs corps à liaison calcule la nouvelle information de liaison eij en considérant l’environnement de liaison complet Ni de l’atome i via des angles à plusieurs corps tels que θjik, τkijl, etc., et la longueur de liaison rik,rij,ril, etc. la convolution de graphe standard met à jour la liaison, l’atome et les informations d’état facultatives de manière itérative. Au cours de la phase de lecture, les informations sur les atomes dans le graphique ont été transmises à un MLP fermé pour obtenir l’énergie atomique, qui s’additionne à l’énergie totale. Les dérivées de l’énergie totale donnent les sorties de force et de contrainte. Crédit : Université de Californie à San Diego

Les nanoingénieurs de la Jacobs School of Engineering de l’Université de Californie à San Diego ont développé un algorithme d’intelligence artificielle qui prédit la structure et les propriétés dynamiques de tout matériau, qu’il soit existant ou nouveau, presque instantanément. Connu sous le nom de M3GNet, l’algorithme a été utilisé pour développer matièreverse.ai, une base de données de plus de 31 millions de matériaux encore à synthétiser avec des propriétés prédites par des algorithmes d’apprentissage automatique. Matterverse.ai facilite la découverte de nouveaux matériaux technologiques aux propriétés exceptionnelles.

L’équipe derrière M3GNet, dirigée par Shyue Ping Ong, professeur de nano-ingénierie à l’UC San Diego, utilise Matterverse.ai et les nouvelles capacités de M3GNet dans sa recherche d’électrodes et d’électrolytes plus sûrs et plus denses en énergie pour les batteries lithium-ion rechargeables. Le projet est exploré dans le numéro du 28 novembre de la revue Science computationnelle de la nature.

Les propriétés d’un matériau sont déterminées par la disposition de ses atomes. Cependant, les approches existantes pour obtenir cet agencement sont soit d’un coût prohibitif, soit inefficaces pour de nombreux éléments.

« Comme pour les protéines, nous devons connaître la structure d’un matériau pour prédire ses propriétés. » a déclaré Ong, directeur associé du Sustainable Power and Energy Center de la Jacobs School of Engineering. « Ce dont nous avons besoin, c’est d’un AlphaFold pour les matériaux. »

AlphaFold est un algorithme d’IA développé par Google DeepMind pour prédire la structure des protéines. Pour construire l’équivalent pour les matériaux, Ong et son équipe ont combiné des réseaux de neurones graphiques avec des interactions à plusieurs corps pour construire une architecture d’apprentissage en profondeur qui fonctionne universellement, avec une grande précision, sur tous les éléments du tableau périodique.

« Les graphes mathématiques sont des représentations vraiment naturelles d’une collection d’atomes », a déclaré Chi Chen, ancien scientifique principal du projet dans le laboratoire d’Ong et premier auteur du travail, qui est maintenant architecte quantique senior chez Microsoft Quantum. « A l’aide de graphes, nous pouvons représenter toute la complexité des matériaux sans être soumis à l’explosion combinatoire des termes dans les formalismes traditionnels. »

Pour former leur modèle, l’équipe a utilisé l’énorme base de données d’énergies, de forces et de contraintes des matériaux collectées dans le Projet Matériaux durant la dernière décennie. Le résultat est le potentiel interatomique M3GNet (IAP), qui peut prédire les énergies et les forces dans n’importe quel ensemble d’atomes. Matterverse.ai a été généré par des substitutions élémentaires combinatoires sur plus de 5 000 prototypes structurels dans la base de données sur la structure cristalline inorganique (ICSD). L’IAP M3GNet a ensuite été utilisé pour obtenir la structure cristalline d’équilibre – un processus appelé « relaxation » – pour la prédiction des propriétés.

Sur les 31 millions de matériaux contenus dans matterverse.ai aujourd’hui, plus d’un million devraient être potentiellement stables. Ong et son équipe ont l’intention d’augmenter considérablement non seulement le nombre de matériaux, mais également le nombre de propriétés prédites par ML, y compris les propriétés de grande valeur avec de petites tailles de données en utilisant une approche multi-fidélité qu’ils ont développée plus tôt.

Au-delà des relaxations structurelles, l’IAP M3GNet a également de larges applications dans les simulations dynamiques de matériaux et les prédictions de propriétés.

« Par exemple, nous nous intéressons souvent à la vitesse de diffusion des ions lithium dans une électrode ou un électrolyte de batterie lithium-ion. Plus la diffusion est rapide, plus vous pouvez charger ou décharger rapidement une batterie », a déclaré Ong. « Nous avons montré que l’IAP M3GNet peut être utilisé pour prédire la conductivité du lithium d’un matériau avec une bonne précision. Nous sommes convaincus que l’architecture M3GNet est un outil transformateur qui peut considérablement étendre notre capacité à explorer de nouvelles chimies et structures de matériaux.

Pour promouvoir l’utilisation de M3GNet, l’équipe a publié le cadre comme un code Python open-source sur Github. Depuis la publication de la prépublication sur Arxiv en février 2022, l’équipe a suscité l’intérêt de chercheurs universitaires et de ceux de l’industrie. Il est prévu d’intégrer le M3GNet IAP en tant qu’outil dans des packages de simulation de matériaux commerciaux.

Ce travail a été rédigé par Chi Chen et Shyue Ping Ong à UC San Diego.

Fourni par Université de Californie – San Diego


A lire également