Les scientifiques ont démontré un moyen d'augmenter les chances de résoudre les structures matérielles en alimentant les données de plusieurs expériences et théories dans un "optimiseur global" qui utilise des algorithmes mathématiques pour réduire la gamme de solutions possibles en fonction de son analyse des ensembles de données complémentaires.
Matériaux avec produit chimique, optique, et les propriétés électroniques pilotées par des structures mesurant des milliardièmes de mètre pourraient conduire à des technologies énergétiques améliorées, des cellules solaires plus efficaces aux batteries plus durables et denses en énergie. Des instruments scientifiques tels que ceux du Brookhaven Lab's Center for Functional Nanomaterials (CFN) et la National Synchrotron Light Source II (NSLS-II), qui vient d'ouvrir ses portes, les deux installations pour les utilisateurs du DOE Office of Science, offrent de nouvelles façons d'étudier les matériaux à cette échelle de longueur nanométrique, y compris lorsqu'ils fonctionnent dans des appareils réels.
Ces expériences produisent d'énormes quantités de données, révélant des détails importants sur les matériaux. Mais à l'heure actuelle, les scientifiques ne disposent pas des outils informatiques dont ils ont besoin pour utiliser ces données pour la conception rationnelle de matériaux, une étape essentielle pour accélérer la découverte de matériaux dotés des caractéristiques de performance requises pour le monde réel, mise en œuvre à grande échelle. Pour atteindre cet objectif, ce qui est nécessaire, c'est une nouvelle façon de combiner les données d'une gamme d'expériences avec des descriptions théoriques du comportement des matériaux dans des modèles prédictifs valides que les scientifiques peuvent utiliser pour développer de nouveaux matériaux puissants.
« Il y a de fortes chances que l'expertise en calcul haute performance et en algorithmes mathématiques appliqués développés avec le soutien de l'Office of Advanced Scientific Computing Research (ASCR) du DOE puisse nous aider à progresser sur cette frontière, " dit Simon Billinge, un physicien au Laboratoire national de Brookhaven et à l'École d'ingénierie et de sciences appliquées de l'Université Columbia. Lors de la conférence SC14, Simon a présenté une solution potentielle qui utilise la théorie mathématique et des outils informatiques pour extraire les informations essentielles au renforcement des modèles de performance des matériaux.
"Beaucoup de modèles que nous avons pour ces matériaux ne sont pas robustes, " dit-il. " Idéalement, nous aimerions pouvoir programmer dans les propriétés que nous voulons—disons, conversion efficace de l'énergie solaire, supraconductivité, une capacité de stockage électrique massive - et que le modèle crache la conception d'un nouveau matériau qui aura cette propriété, mais c'est clairement impossible avec des modèles peu fiables."
Trouver des solutions possibles pour la structure d'un matériau par l'optimisation globale d'un modèle intégrant les données de plusieurs techniques expérimentales est coûteux en temps de calcul, mais doit être fait plusieurs fois pour vérifier s'il existe plusieurs solutions compatibles avec les données. Chaque point dans ces diagrammes triangulaires représente une manière différente de combiner les entrées des trois expériences et la couleur indique le nombre de solutions de structure trouvées pour cette combinaison (le rouge étant la solution la plus unique). Ce n'est que lorsque cela est fait pour de nombreux points que les scientifiques peuvent se concentrer sur la solution commune la plus probable qui prend en compte toutes les données. Il faut des ordinateurs hautes performances pour gérer l'échelle de calcul nécessaire pour donner des résultats clairs.
Des outils expérimentaux puissants tels que NSLS-II permettent des expériences plus complexes. Mais ironiquement, certaines des nouvelles techniques rendent le processus de découverte plus difficile.
Billinge explique :« Les vrais matériaux et les vraies applications dépendent des détails fins de la structure des matériaux tels que les défauts, superficies, et la morphologie, les expériences qui aident à révéler des détails structurels fins sont donc essentielles. Mais certains des matériaux les plus intéressants sont très complexes, et puis ils sont rendus encore plus complexes, appareils à plusieurs composants. Lorsque nous plaçons ces dispositifs complexes dans une ligne de faisceaux de rayons X ou de diffusion de neutrons, les interactions des faisceaux avec tous les composants complexes produisent des résultats qui se chevauchent. Vous recherchez de petits signaux provenant de défauts et de surfaces cachés dans un vaste arrière-plan d'autres informations provenant des composants supplémentaires, tout cela dégrade les informations utiles."
À la fois, la complexité des modèles que les scientifiques tentent de construire pour comprendre ces matériaux augmente également, ils ont donc besoin de plus d'informations sur ces détails essentiels pour alimenter le modèle, pas moins. Résoudre ces problèmes de fiabilité, étant donné toutes les incertitudes, nécessite des approches mathématiques avancées et du calcul haute performance, Simon et ses collaborateurs travaillent donc avec ASCR sur une approche à deux volets pour améliorer le processus.
Côté entrée, ils combinent les résultats de plusieurs expériences - diffusion des rayons X, diffusion de neutrons, et aussi la théorie. Côté sortie, les scientifiques tentent de réduire ce qu'on appelle la dimensionnalité du modèle. Billinge a expliqué cela comme étant similaire à la compression qui crée un fichier de musique mp3 en se débarrassant des informations non essentielles que la plupart des gens ne remarqueraient pas.
« Si nous réduisons la complexité pour minimiser les entrées nécessaires pour résoudre le problème, nous pouvons l'exécuter via de puissants ordinateurs hautes performances qui utilisent des méthodes mathématiques avancées dérivées de la théorie de l'information, quantification de l'incertitude, et d'autres techniques d'analyse de données pour trier tous les détails, " a-t-il dit. Les algorithmes mathématiques peuvent rassembler les informations complémentaires des différentes expériences, un peu comme la parabole sur les aveugles explorant différentes parties d'un éléphant, mais maintenant partager et combiner leurs résultats et les utiliser pour prédire la structure complexe des matériaux.
"Semblable à un fichier mp3, il manque des informations dans ces modèles. Mais avec la bonne représentation, cela peut être assez bon pour avoir une valeur prédictive et nous permettre de concevoir de nouveaux matériaux, " a déclaré Billinge.
