Dans un essai de septembre 2020 dans Énergie naturelle , trois scientifiques ont posé plusieurs « grands défis », dont l'un était de trouver des matériaux appropriés pour les dispositifs de stockage d'énergie thermique qui pourraient être utilisés de concert avec les systèmes d'énergie solaire. Fortuitement, Mingda Li—le professeur assistant Norman C. Rasmussen de sciences et d'ingénierie nucléaires au MIT, qui dirige le Quantum Matter Group du département, pensait déjà dans le même sens. En réalité, Li et neuf collaborateurs (du MIT, Laboratoire national Lawrence Berkeley, et Argonne National Laboratory) développaient une nouvelle méthodologie, impliquant une nouvelle approche d'apprentissage automatique, cela permettrait d'identifier plus rapidement et plus facilement les matériaux ayant des propriétés favorables pour le stockage d'énergie thermique et d'autres utilisations.

Les résultats de leur enquête paraissent ce mois-ci dans un journal de Sciences avancées . "C'est une approche révolutionnaire qui promet d'accélérer la conception de nouveaux matériaux fonctionnels, " commente le physicien Jaime Fernandez-Baca, un membre distingué du personnel du Laboratoire national d'Oak Ridge.

Un enjeu central en science des matériaux, Li et ses coauteurs écrivent, consiste à « établir des relations structure-propriété » – à déterminer les caractéristiques qu'aurait un matériau ayant une structure atomique donnée. L'équipe de Li s'est concentrée, en particulier, sur l'utilisation des connaissances structurelles pour prédire la "densité de phonons d'états, " qui a une incidence critique sur les propriétés thermiques.

Pour comprendre ce terme, il est préférable de commencer par le mot phonon. "Un matériau cristallin est composé d'atomes disposés en une structure en treillis, " explique Nina Andrejevic, un doctorat étudiant en science et ingénierie des matériaux. "Nous pouvons considérer ces atomes comme des sphères reliées par des ressorts, et l'énergie thermique fait vibrer les ressorts. Et ces vibrations, qui ne se produisent qu'à des fréquences ou énergies discrètes [quantifiées], sont ce que nous appelons des phonons."

La densité de phonons d'états est simplement le nombre de modes vibrationnels, ou phonons, dans une plage de fréquence ou d'énergie donnée. Connaissant la densité de phonons des états, on peut déterminer la capacité calorifique d'un matériau ainsi que sa conductivité thermique, qui se rapporte à la facilité avec laquelle la chaleur passe à travers un matériau, et même la température de transition supraconductrice dans un supraconducteur. "A des fins de stockage d'énergie thermique, vous voulez un matériau avec une chaleur spécifique élevée, ce qui signifie qu'il peut absorber de la chaleur sans élévation brutale de la température, " dit Li. " Vous voulez aussi un matériau à faible conductivité thermique pour qu'il conserve sa chaleur plus longtemps. "

La densité de phonons des états, cependant, est un terme difficile à mesurer expérimentalement ou à calculer théoriquement. "Pour une mesure comme celle-ci, il faut se rendre dans un laboratoire national pour utiliser un gros instrument, environ 10 mètres de long, afin d'obtenir la résolution énergétique dont vous avez besoin, " dit Li. "C'est parce que le signal que nous recherchons est très faible."

"Et si vous voulez calculer la densité de phonons d'états, la façon la plus précise de le faire repose sur la théorie des perturbations fonctionnelles de la densité (DFPT), " note Zhantao Chen, un doctorat en génie mécanique. étudiant. "Mais ces calculs s'échelonnent avec le quatrième ordre du nombre d'atomes dans le bloc de construction de base du cristal, ce qui pourrait nécessiter des jours de temps de calcul sur un cluster CPU." Pour les alliages, qui contiennent deux ou plusieurs éléments, les calculs deviennent beaucoup plus difficiles, cela peut prendre des semaines ou même plus.

La nouvelle méthode, dit Li, pourrait réduire ces demandes de calcul à quelques secondes sur un PC. Plutôt que d'essayer de calculer la densité de phonons des états à partir des premiers principes, ce qui est clairement une tâche laborieuse, son équipe a utilisé une approche de réseau de neurones, utilisant des algorithmes d'intelligence artificielle qui permettent à un ordinateur d'apprendre de l'exemple. L'idée était de présenter au réseau de neurones suffisamment de données sur la structure atomique d'un matériau et la densité d'états de phonons associée pour que le réseau puisse discerner les motifs clés reliant les deux. Après "s'être entraîné" de cette façon, le réseau ferait, espérons-le, des prédictions fiables de densité d'états pour une substance avec une structure atomique donnée.

Les prédictions sont difficiles, Li explique, car la densité d'états de phonons ne peut pas être décrite par un seul nombre mais plutôt par une courbe (analogue au spectre de la lumière émise à différentes longueurs d'onde par un objet lumineux). "Un autre défi est que nous n'avons que des données fiables [de densité d'états] pour environ 1, 500 matériaux. Lorsque nous avons essayé l'apprentissage automatique pour la première fois, l'ensemble de données était trop petit pour prendre en charge des prédictions précises."

Son groupe a ensuite fait équipe avec le physicien de Lawrence Berkeley Tess Smidt '12, un co-inventeur de soi-disant réseaux de neurones euclidiens. "L'entraînement d'un réseau de neurones conventionnel nécessite normalement des ensembles de données contenant des centaines de milliers à des millions d'exemples, " dit Smidt. Une partie importante de cette demande de données provient du fait qu'un réseau de neurones conventionnel ne comprend pas qu'un modèle 3D et une version tournée du même modèle sont liés et représentent en fait la même chose. Avant de pouvoir reconnaître les modèles 3D -dans ce cas, l'arrangement géométrique précis des atomes dans un cristal - un réseau de neurones conventionnel doit d'abord montrer le même motif dans des centaines d'orientations différentes.

"Parce que les réseaux de neurones euclidiens comprennent la géométrie - et reconnaissent que les motifs en rotation "signifient" toujours la même chose - ils peuvent extraire la quantité maximale d'informations à partir d'un seul échantillon, " ajoute Smidt. En conséquence, un réseau de neurones euclidien entraîné sur 1, 500 exemples peuvent surpasser un réseau de neurones conventionnel entraîné sur 500 fois plus de données.

En utilisant le réseau de neurones euclidien, l'équipe a prédit la densité de phonons d'états pour 4, 346 structures cristallines. Ils ont ensuite sélectionné les matériaux ayant les 20 capacités calorifiques les plus élevées, comparer la densité prédite des valeurs d'états avec celles obtenues par des calculs DFPT chronophages. L'accord était remarquablement proche.

L'approche peut être utilisée pour sélectionner des matériaux de stockage d'énergie thermique prometteurs, conformément au « grand défi » mentionné ci-dessus, " dit Li. " Mais cela pourrait aussi grandement faciliter la conception de l'alliage, car nous pouvons maintenant déterminer la densité d'états pour les alliages aussi facilement que pour les cristaux. Cette, à son tour, offre une énorme expansion dans les matériaux possibles que nous pourrions envisager pour le stockage thermique, ainsi que de nombreuses autres applications."

Certaines applications ont, En réalité, déjà commencé. Le code informatique du groupe MIT a été installé sur des machines à Oak Ridge, permettant aux chercheurs de prédire la densité de phonons d'états d'un matériau donné en fonction de sa structure atomique.

Andrejevic souligne, de plus, que les réseaux de neurones euclidiens ont un potentiel encore plus large qui est encore inexploité. "Ils peuvent nous aider à comprendre d'importantes propriétés matérielles en plus de la densité de phonons des états. Cela pourrait donc ouvrir le champ de manière considérable."

Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche du MIT, innovation et enseignement.