Une nouvelle méthode permet de meilleures prédictions des propriétés des matériaux en utilisant des données de faible qualité

NRZ.Digital
0 0

Une nouvelle méthode permet de meilleures prédictions des propriétés des matériaux en utilisant des données de faible qualité
Un schéma de l’approche de réseau de graphes multi-fidélité pour prédire les propriétés de nouveaux matériaux. Crédit: Laboratoire virtuel de matériaux à l’UC San Diego

Les progrès des technologies énergétiques, de la santé, des semi-conducteurs et de la production alimentaire ont tous un point commun: ils reposent sur le développement de nouveaux matériaux – de nouvelles combinaisons d’atomes – qui ont des propriétés spécifiques leur permettant de remplir une fonction nécessaire. Dans un passé pas trop lointain, la seule façon de connaître les propriétés d’un matériau était d’effectuer des mesures expérimentales ou d’utiliser des calculs très coûteux.

Plus récemment, les scientifiques ont utilisé des algorithmes d’apprentissage automatique pour prédire rapidement les propriétés de certains arrangements d’atomes. Le défi avec cette approche est qu’elle nécessite beaucoup de données très précises pour entraîner le modèle, qui n’existe souvent pas.

En combinant de grandes quantités de données basse fidélité avec les plus petites quantités de données haute fidélité, les nano-ingénieurs du laboratoire virtuel des matériaux de l’UC San Diego ont développé une nouvelle méthode d’apprentissage automatique pour prédire les propriétés des matériaux avec plus de précision que les modèles existants. Surtout, leur approche est également la première à prédire les propriétés des matériaux désordonnés – ceux dont les sites atomiques peuvent être occupés par plus d’un élément ou peuvent être vacants. Ils ont détaillé leur approche des réseaux graphiques multi-fidélité le 14 janvier Science computationnelle de la nature.

« Lorsque vous concevez un nouveau matériau, l’une des choses clés que vous voulez savoir est si le matériau est susceptible d’être stable et quels types de propriétés il possède », a déclaré Shyue Ping Ong, professeur de nano-ingénierie à l’UC San. Diego Jacobs School of Engineering et l’auteur correspondant de l’article. «Le problème fondamental est que des données précises et précieuses, telles que des mesures expérimentales, sont difficiles à trouver, même si nous disposons de grandes bases de données de propriétés calculées moins précises. Ici, nous essayons d’obtenir le meilleur des deux mondes – combinons les des données de fidélité et des données de haute fidélité plus petites pour améliorer la précision des modèles dans les prévisions de grande valeur. « 

Bien que d’autres approches multi-fidélité existent, ces méthodes ne s’adaptent pas bien ou sont limitées à seulement deux fidélité de données. Ils ne sont pas aussi précis ou dynamiques que cette nouvelle approche de réseau de graphiques multi-fidélité, qui peut fonctionner avec un nombre illimité de fidélité de données et peut être mise à l’échelle très rapidement.

Dans cet article, les nano-ingénieurs se sont penchés spécifiquement sur les bandes interdites des matériaux – une propriété utilisée pour déterminer la conductivité électrique, la couleur du matériau, l’efficacité des cellules solaires, etc. – comme preuve de concept. Leurs réseaux de graphes multi-fidélité ont conduit à une diminution de 22 à 45% des erreurs absolues moyennes des prédictions expérimentales de bande interdite, par rapport à une approche traditionnelle à simple fidélité. Les chercheurs ont également montré que leur approche peut également prédire avec précision les énergies moléculaires haute fidélité.

« Il n’y a aucune limitation fondamentale quant aux propriétés auxquelles cela peut s’appliquer », a déclaré Ong. « La question est de savoir sur quel type de propriétés nous disposons de données. »

À court terme, l’équipe d’Ong prévoit d’utiliser cette nouvelle méthode pour développer de meilleurs matériaux pour le stockage d’énergie, des cellules photovoltaïques et des dispositifs à semi-conducteurs.

Tout en prédisant les propriétés des matériaux ordonnés, l’équipe a fait une autre découverte fortuite: dans le modèle d’apprentissage profond de graphe qu’ils utilisent, les attributs atomiques sont représentés comme un vecteur d’intégration de longueur 16 appris. En interpolant ces vecteurs d’enrobage appris, les chercheurs ont découvert qu’ils étaient également en mesure de créer un modèle prédictif pour les matériaux désordonnés, qui ont des sites atomiques qui peuvent être occupés par plus d’un élément ou peuvent être vacants à certains moments, ce qui les rend plus difficiles à étudier en utilisant méthodes.

«Alors que la majeure partie des travaux informatiques et d’apprentissage automatique se sont concentrés sur des matériaux ordonnés, les composés désordonnés forment en fait la majorité des matériaux connus», a déclaré Chi Chen, assistant scientifique du projet dans le laboratoire d’Ong, et premier auteur de l’article. « En utilisant cette approche, les modèles de réseau de graphes multi-fidélité peuvent reproduire avec une bonne précision les tendances des bandes interdites dans les matériaux désordonnés. »

Cela ouvre la porte à une conception beaucoup plus rapide et plus précise de nouveaux matériaux pour répondre aux besoins sociétaux clés.

«Ce que nous montrons dans ce travail, c’est que vous pouvez réellement adapter un algorithme d’apprentissage automatique pour prédire les propriétés des matériaux désordonnés. En d’autres termes, nous sommes maintenant en mesure de faire la découverte et la prédiction des matériaux dans tout l’espace des matériaux ordonnés et désordonnés plutôt que vient de commander du matériel », a déclaré Ong. « Pour autant que nous le sachions, c’est une première. »


Les ingénieurs utilisent des réseaux de graphes pour prédire avec précision les propriétés des molécules et des cristaux

Plus d’information: Science computationnelle de la nature, DOI: 10.1038 / s43588-020-00002-x
Fourni par University of California – San Diego

Citation: Une nouvelle méthode permet de meilleures prédictions des propriétés des matériaux en utilisant des données de faible qualité (2021, 14 janvier) extraites le 14 janvier 2021 de https://techxplore.com/news/2021-01-method-material-properties-quality.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation équitable à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.


Happy
Happy
0
Sad
Sad
0
Excited
Excited
0
Sleppy
Sleppy
0
Angry
Angry
0
Surprise
Surprise
0

Average Rating

5 Star
0%
4 Star
0%
3 Star
0%
2 Star
0%
1 Star
0%

Laisser un commentaire

Next Post

Renault s'appuie sur le passé pour viser un e-avenir rentable

Un souffle du passé: la refonte de la R5 de Renault Le constructeur automobile français Renault a dévoilé jeudi une refonte électrique d’une berline bien-aimée des années 70 pour mener un nouveau plan de relance après des années de turbulences, dans l’espoir de monter en gamme alors que l’industrie se […]

Abonnez-vous maintenant