Une équipe de chercheurs du MIPT, Skoltech, et Dukhov Research Institute of Automatics, dirigé par Artem Oganov, a utilisé une technique d'apprentissage automatique pour modéliser le comportement de l'aluminium et de l'uranium dans les phases liquide et cristalline à diverses températures et pressions. De telles simulations de systèmes chimiques peuvent prédire leurs propriétés dans diverses conditions avant la réalisation d'expériences, permettant de poursuivre les travaux avec uniquement les matériaux les plus prometteurs. Les résultats de la recherche ont été publiés dans la revue Rapports scientifiques .

chimie informatique

Les progrès rapides de la science au cours des 100 dernières années ont abouti à la découverte d'un nombre étonnant de composés organiques et inorganiques, structures protéiques et lipidiques, et réactions chimiques. Mais avec toutes ces nouvelles structures et molécules, un temps de plus en plus important est nécessaire pour étudier leur constitution, propriétés biochimiques et physiques, et tester les modèles de leur comportement dans diverses conditions et leurs interactions possibles avec d'autres composés. Ces recherches peuvent désormais être accélérées grâce à la modélisation informatique.

L'approche par champ de force est actuellement la technique de modélisation dominante. Il utilise un ensemble de paramètres décrivant un système biochimique donné. Il s'agit notamment des longueurs de liaison, angles et charges, entre autres. Cependant, cette technique est incapable de reproduire avec précision les forces de la mécanique quantique en jeu dans les molécules. Les calculs précis de mécanique quantique prennent du temps. En outre, ils ne permettent de prédire le comportement d'échantillons au mieux de plusieurs centaines d'atomes.

Les approches d'apprentissage automatique de la modélisation moléculaire sont d'un grand intérêt pour les chimistes. Ils permettent des modèles qui sont entraînés sur des ensembles de données relativement petits obtenus au moyen de calculs de mécanique quantique. De tels modèles peuvent alors remplacer les calculs de mécanique quantique, car ils sont tout aussi précis et nécessitent environ 1, 000 fois moins de puissance de calcul.

Progrès réalisés par les outils de machine learning modélisant les interactions entre atomes

Les chercheurs ont utilisé l'apprentissage automatique pour modéliser les interactions entre les atomes dans l'aluminium et l'uranium cristallins et liquides. L'aluminium est un métal bien étudié dont les propriétés physiques et chimiques sont connues des scientifiques. Uranium, par contre, a été choisi parce qu'il existe des données publiées contradictoires sur ses propriétés physiques et chimiques, que les chercheurs ont cherché à définir plus précisément.

L'article détaille leur étude de propriétés matérielles telles que la densité d'états de phonons, entropie, et la température de fusion de l'aluminium.

"Les magnitudes des forces interatomiques dans les cristaux peuvent être utilisées pour prédire comment les atomes d'un même élément se comporteront à différentes températures et dans une phase différente, " déclare Ivan Kruglov du Computational Materials Design Laboratory du MIPT. " De la même manière, vous pouvez utiliser les données sur les propriétés d'un liquide pour savoir comment les atomes se comporteront dans un cristal. Cela signifie qu'en en apprenant davantage sur la structure cristalline de l'uranium, nous pouvons éventuellement reconstruire le diagramme de phase entier pour ce métal. Les diagrammes de phases sont des graphiques indiquant les propriétés des éléments en fonction de la pression et de la température. Ils sont utilisés pour déterminer les limites de l'applicabilité d'un élément donné."

Pour s'assurer de la validité des données issues des simulations informatiques, ils sont comparés aux résultats expérimentaux. La méthode utilisée par les chercheurs était en bon accord avec les expériences antérieures. Les informations obtenues avec l'approche basée sur l'apprentissage automatique avaient un taux d'erreur plus faible, par rapport aux techniques de modélisation utilisant des champs de force.

Dans cette étude, les auteurs améliorent leurs résultats de 2016 en termes de vitesse et de précision de la modélisation du système atomique à l'aide de l'apprentissage automatique.