# NOUVEAU CADRE APPLIQUE L’APPRENTISSAGE MACHINE AUX INTERACTIONS ATOMIQUES
Des chercheurs de l’Université Northwestern ont développé un nouveau cadre qui utilise l’apprentissage machine pour améliorer l’exactitude des potentiels interatomiques dans la conception de nouveaux matériaux. Cela pourrait conduire à des prévisions plus précises de la façon dont les nouveaux matériaux transfèrent la chaleur, se déforment et échouent à l’échelle atomique.
## L’IMPORTANCE DE LA CONCEPTION DE NOUVEAUX MATÉRIAUX
La conception de nouveaux nanomatériaux est essentielle dans le développement de dispositifs de nouvelle génération utilisés dans l’électronique, les capteurs, la récupération et le stockage d’énergie, les détecteurs optiques et les matériaux structurels. Les chercheurs créent des potentiels interatomiques grâce à une approche de modélisation atomistique, qui prédit comment ces matériaux se comportent en tenant compte de leurs propriétés au niveau le plus petit. Cette approche a nécessité une intuition chimique et physique significative, conduisant à des prévisions moins précises pour la conception de nouveaux matériaux.
## UNE ALGORITHME D’APPRENTISSAGE MACHINE
Le cadre des chercheurs réduit l’intervention de l’utilisateur en utilisant une approche d’optimisation par algorithme génétique multi-objectif et des techniques d’analyse statistique pour filtrer les potentiels interatomiques et les ensembles de paramètres prometteurs. « Les algorithmes de calcul que nous avons élaborés fournissent aux analystes une méthodologie pour évaluer et éviter les lacunes traditionnelles », a déclaré Horacio Espinosa, professeur en fabrication et entrepreneuriat James N. et Nancy J. Farley et professeur de génie mécanique et (par courtoisie) de génie biomédical et civil et environnemental, qui a dirigé la recherche.
Les résultats ont été publiés dans une étude intitulée “Paramétrisation des potentiels interatomiques pour des trajectoires de grande déformation précises en utilisant des algorithmes génétiques multi-objectifs et des analyses statistiques: une étude de cas sur les matériaux bidimensionnels” le 21 juillet dans Nature Partner Journals – Computational Materials.
## SIMPLIFICATION ET OPTIMISATION DES POTENTIELS INTERATOMIQUES
Le cadre des chercheurs utilise des ensembles de données d’entraînement et de filtration obtenus à partir de résultats de simulation de théorie de la fonctionnelle de la densité, suivis d’une étape d’évaluation comprenant une analyse en composantes principales et une analyse de corrélation. Leur approche statistique permet aux utilisateurs de réaliser des objectifs d’optimisation conflistants, ce qui est important pour fixer les limites d’applicabilité et de transférabilité aux potentiels interatomiques paramétrés. L’équipe a identifié une corrélation positive entre l’exactitude du potentiel interatomique et la complexité et le nombre de paramètres indiqués.
## AMÉLIORATION DE L’EXACTITUDE
Pour améliorer la fidélité des potentiels interatomiques, des propriétés hors équilibre et des données de force sont nécessaires. “Cela inclut une meilleure description des trajectoires de grande déformation et de l’échec des matériaux”, a déclaré Hoang Nguyen, l’un des premiers co-auteurs de l’étude. “Bien que ces propriétés ne soient pas conventionnelles, elles sont essentielles pour comprendre la fiabilité et la fonctionnalité des matériaux et des dispositifs”, a déclaré l’autre premier co-auteur Xu Zhang.
## CONCEPTION D’EXPÉRIENCES DE MICROSCOPIE ÉLECTRONIQUE IN SITU
Le nouveau cadre aide également à éliminer la barrière de l’expérience de l’utilisateur pour entrer dans ce domaine de recherche. Les chercheurs utiliseront leurs modèles pour étudier la déformation et la fracture dans les matériaux bidimensionnels, ainsi que le rôle de l’ingénierie des défauts dans l’amélioration de la résistance. Ils développent également des expériences de microscopie électronique in situ qui révéleront les modes de défaillance atomique, fournissant un moyen d’évaluer les capacités prédictives des potentiels paramétrés.
Ce travail de recherche a été soutenu par la National Science Foundation et des ressources de calcul ont été fournies par le Center of Nanoscale Materials à Argonne National Laboratory et le Quest High Performance Computing Cluster à Northwestern University.
Sources:
– [Northwestern University](https://news.northwestern.edu/stories/2021/07/new-framework-applies-machine-learning-to-atomic-interactions/)
– [Nature Partner Journals – Computational Materials](https://www.nature.com/articles/s41524-021-00586-4)