Des chercheurs du MIT et de l’Université de Bâle ont utilisé l’IA générative pour développer une technique basée sur la physique afin de classer les transitions de phase dans les matériaux ou les systèmes physiques. Cette méthode, nettement plus efficace que les approches d’apprentissage automatique traditionnelles, pourrait transformer la manière dont les scientifiques explorent les propriétés des matériaux. Leurs résultats ont été récemment publiés dans la revue Physical Review Letters.
Les diagrammes de phase sont fondamentaux en physique et essentiels pour la compréhension du comportement des matériaux dans diverses conditions. Ils décrivent les états dans lesquels un matériau peut exister : l’eau, par exemple, peut être trouvée sous forme de glace, de liquide ou de vapeur. Entre ces phases, des transitions de phase se produisent en fonction de différents paramètres tels que la température ou la pression.
Les transitions de phase sont un sujet de recherche très actif, les scientifiques s’intéressent particulièrement aux transitions dans des matériaux moins conventionnels ou des systèmes complexes, tels que le passage d’un conducteur ordinaire à un supraconducteur ou d’un état non magnétique à un état ferromagnétique. Ces transitions sont détectées grâce à un “paramètre de commande” qui varie de manière significative lors du changement de phase.
Cependant, le calcul des diagrammes de phase est extrêmement complexe, reposant traditionnellement sur une expertise théorique approfondie et des techniques manuelles fastidieuses. Les systèmes physiques sont en effet constitués de nombreuses particules interagissant entre elles, créant une multitude d’états possibles, états qui étaient classés jusque-là grâce aux réseaux de neurones.
Julian Arnold, doctorant dans le groupe de Christoph Bruder de l’Université de Bâle, explique :
“Le problème est qu’un solide ou un liquide est constitué de très nombreuses particules – atomes ou molécules. Ces particules interagissent, c’est-à-dire qu’elles s’attirent ou se repoussent ; ils forment ce que l’on appelle un système à N corps. Il existe de nombreuses possibilités pour l’état général du matériau – caractérisé par la position des particules, mais aussi des propriétés supplémentaires, telles que l’orientation des spins, qui indiquent la direction de l’aimantation”.
Les chercheurs du MIT et de l’Université de Bâle ont exploité des modèles génératifs d’IA pour développer un cadre d’apprentissage automatique capable de cartographier automatiquement les diagrammes de phase des systèmes physiques. Contrairement aux classificateurs discriminants, les modèles génératifs estiment la distribution de probabilité des données et peuvent générer de nouveaux points de données qui correspondent à cette distribution, ce qui permet de construire un classificateur basé sur la physique sans nécessiter de grandes quantités de données d’entraînement.
Cette approche est inspirée de modèles d’IA générative comme ChatGPT, qui utilisent des algorithmes complexes pour générer du contenu nouveau à partir de données existantes. En appliquant cette technique aux systèmes physiques, les chercheurs peuvent estimer approximativement les distributions de probabilité des états du système, permettant une classification plus efficace et précise des phases.
Frank Schäfer, postdoctorant au laboratoire Julia du laboratoire d’informatique et d’IA (CSAIL) et co-auteur, souligne :
“C’est une très bonne façon d’incorporer quelque chose que vous savez sur votre système physique au plus profond de votre schéma d’apprentissage automatique. Cela va bien au-delà de la simple ingénierie des caractéristiques sur vos échantillons de données ou de simples biais inductifs”.
Julian Arnold teste actuellement cette méthode sur des modèles de trous noirs pour détecter leurs transitions de phase. À l’avenir, cette technique pourrait automatiser les laboratoires de physique, l’algorithme définissant automatiquement les paramètres de contrôle des expériences et calculant immédiatement les diagrammes de phase à partir des données mesurées. Les scientifiques pourraient également utiliser cette approche pour résoudre différentes tâches de classification binaire dans les systèmes physiques.
Il est intéressant de noter que cette méthode inspirée de ChatGPT peut également être appliquée à des modèles de langage comme ChatGPT lui-même. Par exemple, la “température” de ChatGPT peut être ajustée pour contrôler la créativité de l’algorithme. Une température basse produit des résultats prévisibles, tandis qu’une température élevée génère du texte plus aléatoire et chaotique. La technique des chercheurs pourrait déterminer la transition optimale entre ces phases et ajuster les modèles de langage en conséquence.
Sources de l’article :
“Mapping Out Phase Diagrams with Generative Classifiers” : https://doi.org/10.1103/PhysRevLett.132.207301
Julian Arnold1, Frank Schäfer2, Alan Edelman2,3, et Christoph Bruder1
La découverte de nouveaux matériaux est un processus long et coûteux, qui repose souvent sur des expériences empiriques et des simulations complexes. Pour accélérer la découverte d’électrolytes solides pour les batteries, un domaine de recherche très actif en raison des enjeux environnementaux et économiques liés au stockage de l’énergie, des chercheurs de Microsoft et du Pacific Northwest National Laboratory ont développé une approche innovante qui combine IA et calcul haute performance (HPC) dans le cloud. Leur méthode leur a permis d’explorer un vaste espace chimique et de prédire de nouveaux matériaux stables et fonctionnels, qu’ils ont ensuite synthétisé et caractérisé expérimentalement.
Les électrolytes sont des matériaux qui permettent le transport des ions entre les électrodes d’une batterie. Dans les batteries lithium-ion, utilisées dans une large gamme d’applications, des smartphones aux véhicules électriques, les électrolytes qui transportent les ions entre les deux électrodes de la batterie, l’anode et la cathode, sont liquides, potentiellement inflammables ou toxiques.
Le développement de batteries à électrolytes solides qui offrent des avantages en termes de sécurité, de performance et de durabilité est un objectif majeur des scientifiques des matériaux. Il est d’ailleurs l’objectif du projet ELIAS, porté par Saft et mis en œuvre par un consortium d’acteurs académiques et industriels, lancé en mai 2023 et soutenu par France 2030.
Cependant, il est difficile de trouver des électrolytes solides qui réunissent toutes les propriétés requises, telles que la stabilité thermique, la stabilité électrochimique, la conductivité ionique et la compatibilité avec les autres composants de la batterie.
Pour relever ce défi, les chercheurs de Microsoft et du Pacific Northwest National Laboratory ont utilisé des modèles d’IA pour filtrer plus de 32 millions de candidats selon des critères de stabilité, de bande interdite, de fenêtre de stabilité électrochimique et de diffusivité des ions Li ou Na. Ces modèles d’IA sont basés sur des réseaux neuronaux de graphes, capables de représenter et d’apprendre les propriétés des structures cristallines, comme l’ont démontré récemment les chercheurs de Google DeepMind avec GNoME.
Ils les ont entraînés sur des données issues de calculs quantiques et de bases de données publiques et les ont déployés sur des ressources de calcul dans le cloud, ce qui a permis de réduire le temps et le coût de la découverte de matériaux.
Parmi les candidats filtrés par les modèles d’IA, les auteurs ont sélectionné les plus prometteurs pour les soumettre à des calculs plus précis basés sur la théorie de la fonctionnelle de la densité (DFT) et la dynamique moléculaire ab initio (AIMD). Ces calculs, effectués sur Azure Quantum Elements de Microsoft, qui donne accès à un superordinateur basé sur le cloud et adapté à la recherche en chimie et en science des matériaux, ont permis de confirmer la stabilité et la conductivité des matériaux, ainsi que d’évaluer d’autres propriétés comme la dureté, la densité et le coût. Les chercheurs ont également éliminé les matériaux rares ou toxiques et ainsi identifié 23 candidats finaux, dont 5 déjà connus.
Ils ont ensuite synthétisé et caractérisé les structures et les conductivités de leurs meilleurs candidats. Au lieu d’utiliser soit des ions lithium (Li) soit des ions sodium (Na) comme conducteurs, ils ont choisi une approche peu conventionnelle : les combiner. L’introduction de Li à la place de Na a considérablement amélioré la conductivité ionique dans un nouveau matériau d’électrolyte solide prometteur, Na2LiYCl6, par rapport au matériau parent Na3YCl6. De plus, l’introduction de lithium a entraîné une réduction significative de l’énergie d’activation par rapport au matériau parent, ce qui indique un processus de diffusion ionique plus efficace. Cette amélioration de la conductivité et la réduction de l’énergie d’activation sont probablement dues à la présence des ions Li+ dans le transport ionique, ainsi qu’à des modifications potentielles de la structure cristalline.
Ce nouveau matériau ouvre des perspectives pour la conception de batteries solides polyvalentes. Les auteurs soulignent que l’intégration de l’IA et du HPC dans le cloud permet non seulement d’accélérer la découverte de matériaux, mais aussi de démocratiser le processus de découverte en rendant les ressources de calcul facilement accessibles et reproductibles.
Leurs travaux illustrent le potentiel de l’IA et du HPC dans le cloud pour transformer la découverte de matériaux et favoriser l’innovation scientifique et technologique. Les auteurs envisagent de poursuivre leurs recherches en explorant d’autres espaces chimiques, en affinant leurs modèles d’IA et en validant leurs candidats dans des systèmes de batteries solides. Ils espèrent que leur approche inspirera d’autres chercheurs pour la découverte de nouveaux matériaux avec des propriétés ciblées.
Références de l’article :
“Accelerating computational materials discovery with artificial intelligence and cloud high-performance computing: from large-scale screening to experimental validation” arXiv:2401.04070v1 8/01/2024
Auteurs :
Chi Chen1, Dan Thien Nguyen2, Shannon J. Lee2, Nathan A. Baker1, Ajay S. Karakoti2, Linda Lauw1, Craig Owen3, Karl T. Mueller2, Brian A. Bilodeau1, Vijayakumar Murugesan2, Matthias Troyer1
1 Azure Quantum, Microsoft,
2 Physical and Computational Sciences Directorate, Pacific Northwest National Laboratory,
3 Microsoft Surface, Microsoft.
Material Projects, une base de données en libre accès du Berkeley Lab, permet aux chercheurs d’accéder à des informations cruciales sur divers matériaux, Google DeepMind a permis avec son outil GNoME d’y ajouter 380 000 structures cristallines. Certains des calculs de GNoME ont été utilisés avec les données du projet Materials pour tester A-Lab, un laboratoire futuriste du Berkeley Lab, combinant robotique et IA pour accélérer la découverte de nouveaux matériaux.
Fondé en 1931, le Lawrence Berkeley National Laboratory (Berkeley Lab), est un laboratoire national multiprogramme géré par l’Université de Californie pour le compte de l’Office of Science du département de l’Énergie des États-Unis. Le laboratoire A-Lab, qui y est installé, a démarré ses activités en février dernier et fonctionne 24h/24, 7 jours/7.
Lancé en 2011 par le Berkeley Lab, le Materials Project est le dépôt d’informations en libre accès sur les matériaux inorganiques qui compte le plus grand nombre d’utilisateurs (400 000) dans le monde. En calculant les propriétés des matériaux connus ou prédits, il permet aux chercheurs de se concentrer sur des matériaux prometteurs pour les technologies futures, comme des alliages plus légers qui permettraient d’économiser le carburant, des cellules solaires plus efficaces pour stimuler les énergies renouvelables ou des transistors plus rapides pour la prochaine génération d’ordinateurs.
Google DeepMind a utilisé les informations du projet Materials pour développer l’outil GNoME, basé sur le deep learning, qui a permis la découverte de 2,2 millions de nouveaux cristaux, dont 380 000, considérés comme stables et prometteurs pour des applications technologiques futures, ont été ajoutés à la base de données de Material Projects.
L’ensemble de données comprend la façon dont les atomes d’un matériau sont disposés (la structure cristalline) et sa stabilité (énergie de formation).
Kristin Persson, fondatrice et directrice du Materials Project au Berkeley Lab et professeure à l’UC Berkeley, explique :
“Nous devons créer de nouveaux matériaux si nous voulons relever les défis environnementaux et climatiques mondiaux. Grâce à l’innovation dans les matériaux, nous pouvons potentiellement développer des plastiques recyclables, exploiter l’énergie résiduelle, fabriquer de meilleures batteries et construire des panneaux solaires moins chers qui durent plus longtemps, entre autres choses”.
Dirigé par la scientifique Yan Zeng, le laboratoire A-Lab utilise des robots guidés par l’IA pour effectuer les étapes complexes du processus de synthèse de matériaux. Cette automatisation permet de traiter 50 à 100 fois plus d’échantillons par jour que ne le ferait un chercheur humain, accélérant considérablement le rythme de découverte.
En seulement 17 jours , A-Lab a permis de créer 41 nouveaux composés prédits par le Materials Project sur une tentative de 58, soit un rythme de plus de deux nouveaux matériaux par jour, là où il aurait fallu des mois à un chercheur humain. Les données du GNoME ont été utilisées comme vérification supplémentaire de la stabilité de ces matériaux prévus.
Gerd Ceder, chercheur principal d’A-Lab et scientifique au Berkeley Lab et à l’UC Berkeley, conclut :
“Nous avons eu ce taux de réussite stupéfiant de 71 %, et nous avons déjà quelques moyens de l’améliorer. Nous avons montré que la combinaison de la théorie et des données avec l’automatisation donne des résultats incroyables. Nous pouvons fabriquer et tester des matériaux plus rapidement que jamais, et l’ajout de points de données supplémentaires au projet sur les matériaux signifie que nous pouvons faire des choix encore plus intelligents”.
Références : blog Berkeley Lab
Connexion