Les progrès des systems énergétiques, de la santé, des semi-conducteurs et de la creation alimentaire ont tous un issue commun: ils reposent sur le développement de nouveaux matériaux – de nouvelles combinaisons d’atomes – qui ont des propriétés spécifiques leur permettant d’accomplir 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.


As well as récemment, les scientifiques ont utilisé des algorithmes d’apprentissage automatique pour prédire rapidement les propriétés de certains preparations 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 furthermore 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 in addition de précision que les modèles existants. Surtout, leur approche est également la première à prédire les propriétés des matériaux désordonnés – ceux dont les internet sites atomiques peuvent être occupés par in addition d’un élément ou peuvent être vacants. Ils ont détaillé leur approche des réseaux de graphes multi-fidélité le 14 janvier dans Mother nature Computational Science.


« Lorsque vous concevez un nouveau matériau, l’une des choses clés que vous voulez savoir est si le matériau est vulnerable d’être stable et quels forms 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 – combiner le grand bas -des données de fidélité et des données de haute fidélité in addition petites pour améliorer la précision des modèles dans les prédictions 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 report, 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, and so on. – comme preuve de idea. 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 straightforward 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 concern est de savoir sur quel sort de propriétés nous disposons de données. »

À court docket terme, l’équipe d’Ong prévoit d’utiliser cette nouvelle méthode pour développer de meilleurs matériaux pour le stockage d’énergie

Tout en prédisant les propriétés des matériaux ordonnés, l’équipe a fait une autre découverte fortuite: dans le modèle d’apprentissage profond des graphes 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 internet sites atomiques qui peuvent être occupés par as well as d’un élément ou peuvent être vacants à certains times, 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 in addition rapide et moreover 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. »

Le travail a été soutenu par le Elements Undertaking, une initiative de science ouverte visant à rendre les propriétés de tous les matériaux connus accessibles au public afin d’accélérer l’innovation dans les matériaux, financé par le Département américain de l’énergie, l’Office of Science, Business of Fundamental Power Sciences, Components Sciences et Division de l’ingénierie (DE-AC02-05-CH11231: programme de projet de matériaux KC23MP). Toutes les données et tous les modèles de ce travail ont également été rendus publics by using le référentiel mégnet du Materials Digital Lab sur Github.