Des chercheurs de la Northwestern University ont développé un nouveau cadre utilisant l'apprentissage automatique qui améliore la précision des potentiels interatomiques - les règles directrices décrivant comment les atomes interagissent - dans la conception de nouveaux matériaux. Les résultats pourraient conduire à des prédictions plus précises sur la façon dont les nouveaux matériaux transfèrent la chaleur, déformer, et échouer à l'échelle atomique.

La conception de nouveaux nanomatériaux est un aspect important du développement de dispositifs de nouvelle génération utilisés en électronique, capteurs, récupération et stockage d'énergie, détecteurs optiques, et des matériaux de structure. Pour concevoir ces matériaux, les chercheurs créent des potentiels interatomiques grâce à la modélisation atomistique, une approche informatique qui prédit le comportement de ces matériaux en tenant compte de leurs propriétés au plus petit niveau. Le processus d'établissement du potentiel interatomique des matériaux, appelé paramétrisation, a nécessité une intuition chimique et physique importante, conduisant à une prédiction moins précise de la conception de nouveaux matériaux.

La plate-forme des chercheurs minimise l'intervention de l'utilisateur en utilisant des techniques d'optimisation d'algorithme génétique et d'analyse statistique multi-objectifs, et passe au crible des potentiels interatomiques et des ensembles de paramètres prometteurs.

« Les algorithmes de calcul que nous avons développés fournissent aux analystes une méthodologie pour évaluer et éviter les lacunes traditionnelles, " dit Horacio Espinosa, James N. et Nancy J. Farley Professeur en fabrication et entrepreneuriat et professeur de génie mécanique et (par courtoisie) de génie biomédical et de génie civil et environnemental, qui a dirigé la recherche. "Ils fournissent également les moyens d'adapter le paramétrage aux applications d'intérêt."

Les résultats ont été publiés dans une étude intitulée "Parametrization of Interatomic Potentials for Accurate Large Deformation Pathways Using Multi-Objective Genetic Algorithms and Statistical Analyses:A Case Study on Two-Dimensional Materials" le 21 juillet à Revues des partenaires de Nature—Matériaux informatiques .

Xu Zhang et Hoang Nguyen, les deux étudiants du programme d'études supérieures en mécanique théorique et appliquée (TAM) de Northwestern Engineering, étaient les co-premiers auteurs de l'étude. Parmi les autres co-auteurs figuraient Jeffrey T. Paci de l'Université de Victoria, Canada, Subramanian Sankaranarayanan du Laboratoire National d'Argonne, et Jose Mendoza de l'Université d'État du Michigan.

Le cadre des chercheurs utilise des ensembles de données d'entraînement et de criblage obtenus à partir des résultats de simulation de la théorie fonctionnelle de la densité, suivie d'une étape d'évaluation qui comprend une analyse en composantes principales et une analyse de corrélation.

"Nous avons défini une séquence d'étapes pour atteindre une approche d'apprentissage itérative en fonction d'objectifs d'optimisation spécifiques, " dit Espinosa, qui dirige le programme TAM. "Notre approche statistique permet aux utilisateurs de réaliser des objectifs d'optimisation contradictoires qui sont importants pour fixer les limites d'applicabilité et de transférabilité aux potentiels paramétrés." Ces relations peuvent révéler la physique sous-jacente à certains phénomènes qui semblent sans rapport les uns avec les autres.

L'équipe a identifié une corrélation positive entre la précision du potentiel interatomique et la complexité et le nombre des paramètres indiqués - un phénomène considéré comme vrai sur le terrain, mais n'avait pas encore été prouvée à l'aide de méthodes quantitatives. Ce niveau de complexité doit être atteint par une quantité proportionnelle de données d'apprentissage. Ne pas le faire, en particulier les données portant des informations critiques, conduit à une précision réduite.

Les chercheurs ont trouvé, par exemple, celui d'améliorer la fidélité des potentiels interatomiques, des propriétés de non-équilibre et des données d'appariement de force sont nécessaires.

« Cela comprenait une meilleure description des grandes voies de déformation et des défaillances des matériaux, " a déclaré Nguyen.

« Bien que ce ne soient pas des propriétés conventionnelles que les gens ciblent lors du paramétrage, ils sont essentiels pour comprendre la fiabilité et la fonctionnalité des matériaux et des dispositifs, " dit Zhang.

La nouvelle approche permet également de lever la barrière de l'expérience utilisateur pour entrer dans ce domaine de recherche. « Par ce travail, nous espérons faire un pas en avant en rendant les techniques de simulation plus fidèles à la propriété des matériaux. Ces connaissances peuvent être étendues et éventuellement avoir un impact sur la conception des appareils et de la technologie que nous utilisons tous, " dit Zhang.

Prochain, les chercheurs utiliseront leurs modèles pour étendre leur enquête afin d'étudier la fracture et la déformation dans les matériaux 2D, ainsi que le rôle de l'ingénierie des défauts dans l'amélioration de la ténacité. Ils développent également des expériences de microscopie électronique in situ qui révéleront des modes de défaillance atomistiques, fournissant un moyen d'évaluer les capacités prédictives des potentiels paramétrés.