Rampi Ramprasad, professeur à l'École des sciences et génie des matériaux, contient un condensateur à base d'aluminium. Crédit :Allison Carter, Géorgie Tech
Condensateurs, compte tenu de leur rendement énergétique élevé et de leur vitesse de recharge, pourrait jouer un rôle majeur dans l'alimentation des machines du futur, des voitures électriques aux téléphones portables.
Mais le plus gros obstacle pour ces dispositifs de stockage d'énergie est qu'ils stockent beaucoup moins d'énergie qu'une batterie de taille similaire.
Les chercheurs du Georgia Institute of Technology s'attaquent à ce problème d'une manière nouvelle, en utilisant l'apprentissage automatique pour finalement trouver des moyens de construire des condensateurs plus performants.
La méthode, qui a été décrite le 18 février dans le journal Matériaux de calcul npj et parrainé par l'Office of Naval Research des États-Unis, consiste à apprendre à un ordinateur à analyser au niveau atomique deux matériaux qui composent certains condensateurs :l'aluminium et le polyéthylène.
Les chercheurs se sont concentrés sur la recherche d'un moyen d'analyser plus rapidement la structure électronique de ces matériaux, à la recherche de fonctionnalités susceptibles d'affecter les performances.
"L'industrie électronique veut connaître les propriétés électroniques et la structure de tous les matériaux qu'elle utilise pour produire des appareils, y compris les condensateurs, " dit Rampi Ramprasad, professeur à l'École des sciences et du génie des matériaux.
Prenons un matériau comme le polyéthylène :c'est un très bon isolant avec une large bande interdite, une gamme d'énergie interdite aux porteurs de charges électriques. Mais s'il a un défaut, les porteurs de charge indésirables sont autorisés dans la bande interdite, réduire l'efficacité, il a dit.
"Afin de comprendre où sont les défauts et quel rôle ils jouent, nous devons calculer la structure atomique entière, quelque chose qui jusqu'à présent a été extrêmement difficile, " dit Ramprasad, qui détient la chaire de la famille Michael E. Tennenbaum et est l'éminent chercheur de la Georgia Research Alliance en durabilité énergétique. "La méthode actuelle d'analyse de ces matériaux à l'aide de la mécanique quantique est si lente qu'elle limite le nombre d'analyses pouvant être effectuées à un moment donné."
Ramprasad et ses collègues, qui se spécialisent dans l'utilisation de l'apprentissage automatique pour aider à développer de nouveaux matériaux, utilisé un échantillon de données créé à partir d'une analyse de mécanique quantique de l'aluminium et du polyéthylène comme entrée pour enseigner à un ordinateur puissant comment simuler cette analyse.
Analyser la structure électronique d'un matériau avec la mécanique quantique consiste à résoudre l'équation de Kohn-Sham de la théorie fonctionnelle de la densité, qui génère des données sur les fonctions d'onde et les niveaux d'énergie. Ces données sont ensuite utilisées pour calculer l'énergie potentielle totale du système et les forces atomiques.
L'utilisation de la nouvelle méthode d'apprentissage automatique produit des résultats similaires huit ordres de grandeur plus rapidement que l'utilisation de la technique conventionnelle basée sur la mécanique quantique.
Anand Chandrasekaran, un chercheur postdoctoral, et Rampi Ramprasad, professeur à l'École des sciences et génie des matériaux, se tenir dans une pièce avec un ordinateur puissant dédié à l'apprentissage automatique. Crédit :Allison Carter, Géorgie Tech
"Cette accélération sans précédent de la capacité de calcul nous permettra de concevoir des matériaux électroniques supérieurs à ce qui existe actuellement, " a déclaré Ramprasad. " En gros, nous pouvons dire, "Voici des défauts de ce matériau qui vont vraiment diminuer l'efficacité de sa structure électronique." Et une fois que nous pourrons traiter ces aspects efficacement, nous pouvons mieux concevoir des appareils électroniques."
Alors que l'étude portait sur l'aluminium et le polyéthylène, l'apprentissage automatique pourrait être utilisé pour analyser la structure électronique d'un large éventail de matériaux. Au-delà de l'analyse de la structure électronique, d'autres aspects de la structure matérielle maintenant analysés par la mécanique quantique pourraient également être accélérés par l'approche d'apprentissage automatique, dit Ramprasad.
"Nous avons en partie choisi l'aluminium et le polyéthylène parce qu'ils font partie d'un condensateur, mais cela nous a également permis de démontrer que vous pouvez utiliser cette méthode pour des matériaux très différents, tels que les métaux conducteurs et les polymères isolants, ", a déclaré Ramprasad.
Le traitement plus rapide permis par la méthode d'apprentissage automatique permettrait également aux chercheurs de simuler plus rapidement l'impact des modifications d'un matériau sur sa structure électronique, potentiellement révélateur de nouvelles façons d'améliorer son efficacité.
