Les propriétaires d'étalons pur-sang élèvent soigneusement des chevaux primés au fil des générations pour gagner des fractions de seconde dans des courses d'un million de dollars. Les scientifiques des matériaux ont pris une page de ce livre de jeu, se tourner vers le pouvoir de l'évolution et de la sélection artificielle pour développer des supraconducteurs capables de transmettre le courant électrique aussi efficacement que possible.

Peut-être contre-intuitivement, la plupart des supraconducteurs appliqués peuvent fonctionner à des champs magnétiques élevés car ils contiennent des défauts. Le nombre, Taille, la forme et la position des défauts dans un supraconducteur travaillent ensemble pour améliorer la capacité de transport de courant électrique en présence d'un champ magnétique. Trop de défauts, cependant, peut conduire à un blocage du chemin du courant électrique ou à un claquage du matériau supraconducteur, les scientifiques doivent donc être sélectifs dans la manière dont ils incorporent les défauts dans un matériau.

Dans une nouvelle étude du Laboratoire national d'Argonne du Département de l'énergie des États-Unis (DOE), les chercheurs ont utilisé la puissance de l'intelligence artificielle et des superordinateurs hautes performances pour introduire et évaluer l'impact de différentes configurations de défauts sur les performances d'un supraconducteur.

Les chercheurs ont développé un algorithme informatique qui traitait chaque défaut comme un gène biologique. Différentes combinaisons de défauts ont donné des supraconducteurs capables de transporter différentes quantités de courant. Une fois que l'algorithme a identifié un ensemble de défauts particulièrement avantageux, il s'est réinitialisé avec cet ensemble de défauts en tant que "graine, " d'où émergeraient de nouvelles combinaisons de défauts.

"Chaque exécution de la simulation équivaut à la formation d'une nouvelle génération de défauts que l'algorithme cherche à optimiser, " a déclaré Wai-Kwong Kwok, membre distingué d'Argonne et scientifique principal des matériaux, un auteur de l'étude. "Heures supplémentaires, les structures de défauts s'affinent progressivement, car nous sélectionnons intentionnellement des structures de défauts qui permettront des matériaux avec le courant critique le plus élevé. »

La raison pour laquelle les défauts constituent une partie si essentielle d'un supraconducteur réside dans leur capacité à piéger et à ancrer les tourbillons magnétiques qui se forment en présence d'un champ magnétique. Ces tourbillons peuvent se déplacer librement dans un matériau supraconducteur pur lorsqu'un courant est appliqué. Quand ils le font, ils commencent à générer une résistance, annulant l'effet supraconducteur. Garder les tourbillons épinglés, tout en permettant au courant de traverser le matériau, représente un Saint Graal pour les scientifiques cherchant à trouver des moyens de transmettre de l'électricité sans perte dans les supraconducteurs appliqués.

Pour trouver la bonne combinaison de défauts pour arrêter le mouvement des tourbillons, les chercheurs ont initialisé leur algorithme avec des défauts de forme et de taille aléatoires. Alors que les chercheurs savaient que ce serait loin d'être la configuration optimale, il a donné au modèle un ensemble de conditions initiales neutres à partir desquelles travailler. Au fur et à mesure que les chercheurs parcouraient les générations successives du modèle, ils ont vu les défauts initiaux se transformer en une forme colonnaire et finalement un arrangement périodique de défauts planaires.

"Quand les gens pensent à l'évolution ciblée, ils pourraient penser à des gens qui élèvent des chiens ou des chevaux, " a déclaré Andreas Glatz, scientifique des matériaux d'Argonne, l'auteur correspondant de l'étude. "Le nôtre est un exemple de matériaux par conception, où l'ordinateur apprend des générations précédentes le meilleur arrangement possible des défauts."

Un inconvénient potentiel du processus de sélection artificielle des défauts réside dans le fait que certains modèles de défauts peuvent s'ancrer dans le modèle, conduisant à une sorte de calcification des données génétiques. « Dans un certain sens, vous pouvez penser à ça comme à la consanguinité, " a déclaré Kwok. " La conservation de la plupart des informations dans notre « pool génétique » de défauts entre les générations présente à la fois des avantages et des limites car elle ne permet pas de transformations drastiques à l'échelle du système. Cependant, notre « évolution » numérique peut être répétée avec différentes graines initiales pour éviter ces problèmes. »

Pour exécuter leur modèle, les chercheurs avaient besoin d'installations informatiques de haute performance au laboratoire national d'Argonne et d'Oak Ridge. L'installation informatique de direction d'Argonne et l'installation informatique de direction d'Oak Ridge sont toutes deux des installations d'utilisateurs du DOE Office of Science.

Un article basé sur l'étude, "Évolution ciblée des paysages d'épinglage pour les grands courants critiques supraconducteurs, " paru dans l'édition du 21 mai du Actes de l'Académie nationale des sciences . En plus de Kwok et Glatz, Ivan Sadovskyy d'Argonne, Alexei Koshelev et Ulrich Welp ont également collaboré.