Commune à l’ensemble du tableau périodique des éléments, l’IA prédit instantanément la structure et les propriétés des matériaux

Les propriétés d'un matériau sont déterminées par la disposition de ses atomes. Cependant, les méthodes existantes pour obtenir de tels agencements sont soit trop coûteuses, soit inefficaces pour de nombreux éléments.

Maintenant, des chercheurs du département de nano-ingénierie de l'UC San Diego ont développé un algorithme d'intelligence artificielle capable de prédire les propriétés structurelles et dynamiques de n'importe quel matériau, qu'il soit existant ou nouveau, presque instantanément. L'algorithme, appelé M3GNet, a été utilisé pour développer la base de données Matterverse.ai, qui contient plus de 31 millions de matériaux encore à synthétiser dont les propriétés sont prédites par des algorithmes d'apprentissage automatique. Matterverse.ai facilite la découverte de nouveaux matériaux technologiques aux propriétés exceptionnelles.

La recherche s'intitulait « Un potentiel interatomique d'apprentissage profond de graphe universel pour le tableau périodique » et a été publiée dans « Nature Computational Science » le 28 novembre 2022.

Lien papier : https://www.nature.com/articles/s43588-022-00349-3

Pour la recherche de matériaux à grande échelle, il est nécessaire d'analyser les multi- interactions corporelles entre atomes Potentiel interatomique (IAP) efficace et à échelle linéaire utilisé pour décrire la surface d'énergie potentielle (PES). Cependant, la plupart des PAI actuels sont personnalisés pour une gamme étroite de produits chimiques : généralement un seul élément ou pas plus de quatre ou cinq éléments au maximum.

Plus récemment, l'apprentissage automatique pour PES est apparu comme une approche particulièrement prometteuse pour le développement d'IAP. Cependant, aucune étude n’a démontré une IAP universellement applicable dans le tableau périodique et dans tous les types de cristaux.

Au cours de la dernière décennie, l'émergence de codes de structure électroniques efficaces et fiables et de cadres d'automatisation à haut débit a conduit au développement de grandes bases de données fédérées de données informatiques sur les matériaux. Une grande quantité de données PES a été accumulée au cours de la relaxation structurelle, c'est-à-dire les structures intermédiaires et leurs énergies, forces et contraintes correspondantes, mais moins d'attention a été accordée à ces données.

"Comme pour les protéines, nous devons comprendre la structure d'un matériau pour prédire ses propriétés", a déclaré Shyue Ping Ong, l'auteur principal de l'étude. "Ce dont nous avons besoin, c'est d'AlphaFold pour les matériaux."

AlphaFold est un algorithme d'intelligence artificielle développé par Google DeepMind pour prédire les structures des protéines. Pour créer l'équivalent matériel, Ong et son équipe ont combiné des réseaux de neurones graphiques avec des interactions à plusieurs corps pour créer une architecture d'apprentissage en profondeur polyvalente et très efficace pour tous les éléments du tableau périodique.

Les graphiques mathématiques sont des représentations naturelles de cristaux et de molécules, avec des nœuds et des arêtes représentant respectivement les atomes et les liaisons entre eux. Les modèles traditionnels de réseaux neuronaux à base de graphes matériels se sont révélés très efficaces pour la prédiction générale des propriétés des matériaux, mais manquent de contraintes physiques et ne conviennent donc pas à une utilisation comme IAP.

Les chercheurs développent une architecture de graphe matériel qui intègre explicitement les interactions à plusieurs corps. Le développement de modèles s'inspire de l'IAP traditionnel et, dans ce travail, l'accent sera mis sur l'intégration des interactions à trois corps (M3GNet).

Figure 1 : Diagramme schématique du potentiel du graphe multi-corps et des principaux blocs de calcul. (Source : article)

Analyse comparative sur l'ensemble de données IAP

Comme référence initiale, les chercheurs ont choisi un ensemble de données DFT diversifié d'énergies et de forces élémentaires précédemment générées par Ong et ses collègues pour le cube à faces centrées (fcc ) nickel, cuivre fcc, lithium cubique centré (bcc), molybdène bcc, silicium diamant et germanium diamant.

Tableau 1 : Comparaison des erreurs entre le modèle M3GNet et les modèles existants EAM, MEAM, NNP et MTP sur des ensembles de données à un seul élément. (Source : Papier)

Comme le montre le tableau 1, M3GNet IAP est nettement meilleur que le potentiel multi-corps classique ; leurs performances sont également comparables à celles du ML-IAP basé sur l'environnement local. Il convient de noter que bien que ML-IAP puisse générer des erreurs d'énergie et de force légèrement inférieures à celles de M3GNet IAP, sa flexibilité dans la gestion de la chimie multi-éléments sera considérablement réduite, car l'ajout de plusieurs éléments à ML-IAP entraîne souvent un nombre de régressions d'explosion combinées. coefficients et exigences de données correspondantes. En revanche, l'architecture M3GNet représente les informations élémentaires de chaque atome (nœud) sous la forme d'un vecteur d'intégration apprenable. Un tel cadre est facilement étendu à la chimie multicomposant.

Comme les autres GNN, le framework M3GNet est capable de capturer des interactions à longue portée sans augmenter le rayon de coupure pour la construction de liaisons. Dans le même temps, contrairement aux modèles GNN précédents, l'architecture M3GNet maintient toujours des changements continus d'énergie, de force et de contrainte à mesure que le nombre de liaisons change, ce qui constitue une exigence clé pour l'IAP.

IAP universel pour le tableau périodique

Pour développer l'IAP pour l'ensemble du tableau périodique, l'équipe a utilisé l'une des plus grandes bases de données ouvertes au monde de relaxations de structure cristalline DFT (Projet Matériaux).

Figure 2 : Distribution de l'ensemble de données MPF.2021.2.8. (Source : article)

En principe, l'IAP peut entraîner uniquement de l'énergie, ou une combinaison d'énergie et de force. En pratique, M3GNet IAP (M3GNet-E) formé uniquement sur l'énergie ne peut pas atteindre une précision raisonnable dans la prévision de la force ou de la contrainte, avec une erreur absolue moyenne (MAE) encore plus grande que l'écart absolu moyen des données. Les modèles M3GNet entraînés avec énergie + force (M3GNet-EF) et énergie + force + contrainte (M3GNet-EFS) ont obtenu une énergie et une force MAE relativement similaires, mais la MAE de contrainte de M3GNet-EFS était environ la moitié de celle du modèle M3GNet-EF. .

Pour les applications impliquant des changements de réseau, telles que la relaxation structurelle ou les simulations de dynamique moléculaire NpT, une prédiction précise des contraintes est nécessaire. Les résultats indiquent qu’il est crucial d’inclure les trois propriétés (énergie, force et pression) dans la formation du modèle pour obtenir une IAP pratique. L'IAP M3GNet-EFS final (ci-après dénommé modèle M3GNet) a atteint une moyenne de 0,035eV par atome, avec des MAE moyens de test d'énergie, de force et de pression de 0,072eVÅ−1 et 0,41GPa, respectivement.

Figure 3 : Prédictions du modèle sur l'ensemble de données de test par rapport aux calculs DFT.

Sur les données de test, les prédictions du modèle et la vérité terrain du DFT correspondent bien, comme le révèlent la linéarité élevée et la valeur R2 de l'ajustement linéaire entre le DFT et les prédictions du modèle. La distribution cumulée des erreurs de modèle montre que 50 % des données présentent des erreurs d'énergie, de force et de contrainte inférieures à 0,01 eV, 0,033 eVÅ−1 et 0,042 GPa par atome, respectivement. La température de Debye calculée par M3GNet est moins précise, ce qui peut être attribué à la prédiction relativement mauvaise du module de cisaillement par M3GNet. Cependant, la prédiction du module de volume est raisonnable ;

M3GNet IAP est ensuite appliqué pour simuler des workflows de découverte de matériaux où la structure DFT finale est inconnue a priori. La relaxation M3GNet a été réalisée sur des structures initiales à partir d'un ensemble de données de test de 3 140 matériaux. Les calculs énergétiques des structures détendues de M3GNet ont donné un MAE de 0,035 eV par atome, et 80 % des matériaux présentaient une erreur inférieure à 0,028 eV par atome. La distribution des erreurs de la structure assouplie utilisant M3GNet est proche de celle de la structure finale DFT connue, indiquant le potentiel de M3GNet pour aider avec précision à obtenir la structure correcte. D'une manière générale, le reste de M3GNet converge rapidement.

Figure 4 : Relaxation de la structure cristalline à l'aide de M3GNet. (Source : Papier)

Découverte de nouveaux matériaux

M3GNet peut détendre avec précision et rapidité des structures cristallines arbitraires et prédire leurs énergies, ce qui le rend idéal pour la découverte de matériaux à grande échelle. Les chercheurs ont généré 31 664 858 structures candidates comme points de départ, en utilisant M3GNet IAP pour assouplir les structures et calculer la distance énergétique signée à la coque convexe du Materials Project (Ehull-m) ; 1 849 096 matériaux avaient Ehull-m inférieur à 0,01 eV par atome.

Dans le cadre d'une évaluation plus approfondie des performances de M3GNet en matière de découverte de matériaux, les chercheurs ont calculé le taux de découverte en tant que matériau stable DFT échantillonnant uniformément 1 000 structures à partir d'environ 1,8 million de matériaux avec Ehull-m inférieur à 0,001 eV/atome (Ehull−dft ≤ 0) rapport. Le taux de découverte reste proche de 1,0 jusqu'au seuil Ehull-m d'environ 0,5 eV par atome, et reste à une valeur raisonnablement élevée de 0,31 au seuil le plus strict de 0,001 eV par atome.

Figure 5 : Rapport de stabilité DFT en fonction du seuil Ehull−m pour un échantillon uniforme de 1000 structures. (Source : article)

Pour cet ensemble de matériaux, les chercheurs ont également comparé le coût du temps de relaxation DFT avec et sans pré-relaxation M3GNet. Les résultats montrent que sans pré-relaxation M3GNet, le coût du temps de relaxation DFT est environ 3 fois supérieur à celui de la pré-relaxation M3GNet.

Figure 6 : Accélération DFT utilisant la pré-relaxation M3GNet. (Source : Paper)

Sur les 31 millions de matériaux présents dans Matterverse.ai aujourd'hui, plus d'un million devraient être potentiellement stables. Ong et son équipe ont l'intention d'augmenter considérablement non seulement le nombre de matériaux, mais également le nombre d'attributs que ML peut prédire, y compris des attributs de grande valeur pour de petits volumes de données, en utilisant l'approche multi-fidélité qu'ils ont précédemment développée.

En plus de la relaxation structurelle, M3GNet IAP est également largement utilisé dans la simulation dynamique des matériaux et la prédiction des performances.

« Par exemple, nous nous intéressons souvent au taux de diffusion des ions lithium dans les électrodes ou les électrolytes des batteries lithium-ion, plus la diffusion est rapide, plus la batterie peut être chargée ou déchargée rapidement », a déclaré Ong. "Nous avons démontré que M3GNet IAP peut être utilisé pour prédire la conductivité du lithium des matériaux avec une grande précision. Nous croyons fermement que l'architecture M3GNet est un outil de transformation qui peut considérablement étendre notre capacité à explorer de nouvelles chimies et structures de matériaux." afin de promouvoir M3GNet L'équipe a publié le framework sous forme de code Python open source sur Github. Il est prévu d'intégrer M3GNet IAP en tant qu'outil dans les progiciels commerciaux de simulation de matériaux.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!