L'espace de matériaux à grain grossier utilisant les représentations Wyckoff permet une découverte efficace des matériaux basée sur les données. Un flux de travail de découverte de matériaux basé sur l'apprentissage automatique qui tire parti des avantages de la représentation Wyckoff proposée. Le flux de travail utilise un modèle d'apprentissage automatique pour prédire les énergies de formation des matériaux candidats dans une bibliothèque énumérée de représentations Wyckoff (les formes sont utilisées pour indiquer différentes positions Wyckoff et les couleurs pour indiquer différents types d'éléments). Ces énergies de formation prédites sont ensuite comparées à la coque convexe connue de stabilité. Des structures satisfaisant aux symétries requises sont ensuite générées et relâchées pour les matériaux prédits stables. Les énergies calculées des structures détendues peuvent ensuite être comparées à la coque convexe connue pour confirmer si le candidat est stable. Crédit :Progrès scientifiques (2022). DOI :10.1126/sciadv.abn4117
Les chercheurs ont conçu une méthode d'apprentissage automatique capable de prédire la structure de nouveaux matériaux avec une efficacité cinq fois supérieure à la norme actuelle, supprimant ainsi un obstacle majeur au développement de matériaux avancés pour des applications telles que le stockage d'énergie et le photovoltaïque.
Les chercheurs, des universités de Cambridge et de Linkoping, ont conçu un moyen de prédire la structure des matériaux compte tenu de ses éléments constitutifs. Les résultats sont publiés dans la revue Science Advances .
La disposition des atomes dans un matériau détermine ses propriétés. La possibilité de prédire cet arrangement par calcul pour différentes combinaisons d'éléments, sans avoir à fabriquer le matériau en laboratoire, permettrait aux chercheurs de concevoir et d'améliorer rapidement des matériaux. Cela ouvre la voie à des avancées telles que de meilleures batteries et le photovoltaïque.
Cependant, les atomes peuvent « s'entasser » dans un matériau de plusieurs façons :certains empilements sont stables, d'autres non. Déterminer la stabilité d'un garnissage demande beaucoup de calculs et calculer tous les arrangements possibles d'atomes pour trouver le meilleur n'est pas pratique. Il s'agit d'un goulot d'étranglement important dans la science des matériaux.
"Ce défi de prédiction de la structure des matériaux est similaire au problème de repliement des protéines en biologie", a déclaré le Dr Alpha Lee du laboratoire Cavendish de Cambridge, qui a codirigé la recherche. "Il existe de nombreuses structures possibles dans lesquelles un matériau peut se 'plier'. Sauf que le problème de la science des matériaux est peut-être encore plus difficile que la biologie car il considère un ensemble d'éléments beaucoup plus large."
Lee et ses collègues ont développé une méthode basée sur l'apprentissage automatique qui relève avec succès ce défi. Ils ont développé une nouvelle façon de décrire les matériaux, en utilisant les mathématiques de la symétrie pour réduire les manières infinies dont les atomes peuvent se regrouper dans les matériaux en un ensemble fini de possibilités. Ils ont ensuite utilisé l'apprentissage automatique pour prédire l'empilement idéal des atomes, compte tenu des éléments et de leur composition relative dans le matériau.
Leur méthode prédit avec précision la structure des matériaux qui sont prometteurs pour les applications piézoélectriques et de récupération d'énergie, avec plus de cinq fois l'efficacité des méthodes actuelles. Leur méthode peut également trouver des milliers de matériaux nouveaux et stables qui n'ont jamais été fabriqués auparavant, d'une manière efficace sur le plan informatique.
"Le nombre de matériaux possibles est de quatre à cinq ordres de grandeur supérieur au nombre total de matériaux que nous avons fabriqués depuis l'Antiquité", a déclaré le co-premier auteur, le Dr Rhys Goodall, également du laboratoire Cavendish. "Notre approche fournit une approche informatique efficace qui peut "extraire" de nouveaux matériaux stables qui n'ont jamais été fabriqués auparavant. Ces matériaux hypothétiques peuvent ensuite être criblés par ordinateur pour leurs propriétés fonctionnelles."
Les chercheurs utilisent désormais leur plateforme d'apprentissage automatique pour trouver de nouveaux matériaux fonctionnels tels que les matériaux diélectriques. Ils intègrent également d'autres aspects des contraintes expérimentales dans leur approche de découverte des matériaux. Un modèle formé pour prédire les profils spectroscopiques aide à déchiffrer la structure des matériaux
