Les scientifiques utilisent l'apprentissage automatique pour accélérer le développement de matériaux capables d'exploiter l'énergie du soleil.

Exploiter la lumière du soleil est prometteur comme moyen de générer proprement de l'énergie renouvelable pour les technologies de nouvelle génération, des piles à combustible solaires aux systèmes de traitement de l'eau. De telles technologies nécessitent une compréhension de ce qui se passe lorsque les matériaux et les molécules absorbent la lumière du soleil.

Les simulations informatiques peuvent nous aider à mieux comprendre les interactions lumière-matière. Cependant, matériaux de modélisation comportant plusieurs types de structures, comme les interfaces solide/eau, est une tâche complexe. Mais maintenant, une équipe de recherche du laboratoire national d'Argonne du département américain de l'Énergie (DOE) a trouvé un moyen de simplifier ces tâches de modélisation.

En utilisant une approche data-driven basée sur le machine learning, l'équipe a pu simplifier la résolution des équations de la mécanique quantique qui décrivent comment la lumière est absorbée par un solide, liquide ou molécule. Les résultats de la recherche ont été récemment publiés dans Sciences chimiques.

"Ce n'est certainement pas intuitif au début, mais il s'avère que les techniques d'apprentissage automatique peuvent être utilisées à des fins bien différentes que la reconnaissance d'images ou la prédiction des besoins des consommateurs, " a déclaré Marco Govoni, co-auteur de l'étude et assistant scientifique dans la division Science des matériaux d'Argonne.

L'astuce? Reconnaissant que tous les termes des équations de la mécanique quantique n'ont pas besoin d'être calculés de la même manière. En réalité, certains termes pourraient être calculés - ou appris - à partir de quantités plus simples, accélère considérablement la simulation globale.

« Une réalisation importante de notre travail a été de comprendre que nous pouvions réutiliser les informations obtenues pour un solide ou un liquide donné sans répéter les calculs pour des systèmes similaires. En substance, nous avons imaginé une sorte de protocole de recyclage pour réduire la complexité des calculs nécessaires pour simuler l'absorption de la lumière par les matériaux et les molécules, " dit Sijia Dong, qui était boursier postdoctoral à Argonne lorsque la recherche a été menée et est maintenant professeur adjoint à l'Université Northeastern.

Ces protocoles peuvent conduire à de grosses économies lorsqu'il s'agit de simulations qui peuvent prendre plusieurs heures voire plusieurs jours sur des architectures de calcul haute performance.

En réalité, la technique mise au point par l'équipe a permis aux simulations de spectres d'absorption de systèmes complexes d'être exécutées entre 10 et 200 fois plus rapidement. Ces systèmes comprennent des interfaces solide/liquide telles que celles trouvées entre l'eau et une photoélectrode (un matériau qui peut transformer la lumière du soleil en électricité).

"Notre étude a également donné un aperçu de la façon d'améliorer et de modifier la théorie sous-jacente utilisée dans les simulations, " dit Giulia Galli, scientifique senior à la division Science des matériaux d'Argonne et directeur adjoint de la stratégie au Centre des matériaux avancés pour les systèmes énergie-eau (AMEWS) d'Argonne. Galli est également professeur de génie moléculaire de la famille Liew et professeur de chimie à l'Université de Chicago et directeur du Midwest Integrated Center for Computational Materials (MICCoM) dont le siège est à Argonne.

« L'impact de notre exercice d'apprentissage automatique s'est avéré plus important que prévu ; l'approche axée sur les données que nous avons adoptée nous a indiqué de nouvelles façons d'étudier l'interaction lumière-matière dans des systèmes encore plus réalistes et plus complexes que celui que nous avons commencé à étudier , " ajouta Galli.

L'équipe cherche maintenant à appliquer ces raccourcis et protocoles de recyclage aux problèmes de structure électronique non seulement liés à l'absorption de la lumière, mais aussi à la manipulation de la lumière pour les applications de détection quantique.