🔬 materials science

Acceleration of Atomistic NEGF: Algorithms, Parallelization, and Machine Learning

Cet article résume les avancées algorithmiques clés en parallélisation et en apprentissage automatique qui ont permis de passer de simulations de la théorie de la fonctionnelle de la densité ab initio combinée à la fonction de Green hors équilibre (DFT+NEGF) sur de petits systèmes atomiques à des dispositifs nanoscopiques réalistes à grande échelle.

Auteurs originaux : Mathieu Luisier, Nicolas Vetsch, Alexander Maeder, Vincent Maillou, Anders Winka, Leonard Deuschle, Chen Hao Xia, Manasa Kaniselvan, Marko Mladenovic, Jiang Cao, Alexandros Nikolaos Ziogas

Publié 2026-02-04

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Mathieu Luisier, Nicolas Vetsch, Alexander Maeder, Vincent Maillou, Anders Winka, Leonard Deuschle, Chen Hao Xia, Manasa Kaniselvan, Marko Mladenovic, Jiang Cao, Alexandros Nikolaos Ziogas

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de comprendre comment l'électricité circule à travers un fil minuscule, microscopique, fait de silicium — si petit qu'il ne fait que quelques milliers d'atomes de large. Pour faire cela avec précision, les scientifiques utilisent un outil mathématique complexe appelé NEGF (Fonction de Green hors équilibre). Considérez le NEGF comme une prévision météorologique ultra-précise pour les électrons : il prédit comment ils se déplacent, rebondissent les uns sur les autres et interagissent avec les vibrations du matériau.

Cependant, exécuter ces « prévisions » pour des dispositifs de taille réelle revenait à essayer de prédire la météo pour toute la planète en utilisant une calculatrice des années 1980. C'était trop lent et les ordinateurs plantaient.

Cet article d'une équipe de l'ETH Zurich décrit comment ils ont construit un « super-calculateur » pour résoudre ce problème, en utilisant trois astuces principales : de meilleurs algorithmes, un travail d'équipe massif (parallélisation) et l'intelligence artificielle.

Voici une décomposition de leur travail utilisant des analogies simples :

1. Le Problème : Le « bouchon » mathématique

Par le passé, les scientifiques ne pouvaient simuler que de minuscules systèmes (quelques atomes). Pour simuler un dispositif réaliste (des milliers d'atomes), les mathématiques deviennent incroyablement lourdes.

Le Défi : Les équations nécessitent de résoudre des puzzles massifs où chaque pièce dépend de toutes les autres. Le faire un par un prend un temps infini.
L'Objectif : Ils voulaient simuler un « nano-ruban » de silicium (un fil minuscule) qui soit réellement assez grand pour être utile, tout en tenant compte du fait que les électrons s'entrechoquent (diffusion), ce qui est semblable à des voitures dans un embouteillage qui ralentissent les unes les autres.

2. La Solution : La « chaîne de montage » (Parallélisation)

Pour accélérer les choses, l'équipe n'a pas seulement construit un ordinateur plus rapide ; elle a changé la façon dont le travail est effectué.

L'Analogie : Imaginez une immense bibliothèque où vous devez trouver des livres spécifiques. Au lieu d'avoir un seul bibliothécaire parcourant les rayons un par un, ils ont engagé 9 400 bibliothécaires (ordinateurs) pour travailler simultanément.
L'Astuce : Ils ont développé une méthode appelée Serinv. Considérez le problème mathématique géant comme une longue ligne de blocs ondulés. Au lieu d'essayer de résoudre toute la ligne à la fois, ils la découpent en morceaux plus petits et donnent chaque morceau à un ordinateur différent.
Le Résultat : Ils ont testé cela sur le supercalculateur Frontier (l'un des plus puissants au monde). Ils ont simulé un fil de silicium avec 25 344 atomes. En utilisant 9 400 nœuds informatiques travaillant ensemble, ils ont atteint une efficacité de 80 %. Cela signifie que presque tous les ordinateurs étaient occupés à travailler, et non pas simplement en attente.

3. L'astuce du « Voyage dans le Temps » (Algorithmes)

Les mathématiques impliquent deux types différents de calculs qui nécessitent une organisation de données différente.

L'Analogie : Imaginez que vous cuisinez un ragoût. Parfois, vous devez d'abord couper tous les légumes (une façon d'organiser les données), et d'autres fois, vous devez remuer la marmite pendant un long moment (une autre façon).
La Correction : L'équipe a créé un système capable de « transposer » ou de réorganiser instantanément les données. C'est comme avoir une cuisine magique où les légumes se réorganisent instantanément d'une planche à découper vers une marmite, selon ce dont le chef a besoin ensuite. Cela leur permet de basculer entre la résolution d'équations linéaires et la réalisation de convolutions d'énergie complexes sans perdre de temps.

4. La « Boule de Cristal » (Apprentissage automatique)

Même avec des ordinateurs ultra-rapides, il existe un goulot d'étranglement : la création de la carte initiale des atomes (la matrice Hamiltonienne) en utilisant une méthode appelée DFT (Théorie de la fonctionnelle de la densité).

Le Problème : La DFT est comme dessiner la carte d'une ville en mesurant chaque brique de chaque bâtiment. C'est incroyablement précis mais cela prend énormément de temps et d'énergie, surtout pour de grandes villes (des milliers d'atomes).
L'Innovation : L'équipe a entraîné une IA (spécifiquement un Réseau de Neurones sur Graphe) pour agir comme une « boule de cristal ».
- Ils ont montré à l'IA quelques exemples de la façon dont les atomes s'organisent dans un type spécifique de cellule de mémoire (appelée Mémoire à Changement de Valence ou VCM).
- L'IA a appris les modèles. Désormais, au lieu de mesurer chaque brique (DFT), l'IA peut prédire instantanément la carte pour de nouvelles configurations de la cellule de mémoire.
Le Bémol : L'IA est très rapide (son passage à l'échelle est linéaire par rapport à la taille) et suffisamment précise pour obtenir la forme générale, mais elle présente encore une erreur infime (environ 2 meV). C'est comme si l'IA pouvait dessiner une carte parfaite du plan d'une ville, mais que les panneaux de signalisation étaient légèrement décalés. Elle n'est pas encore assez parfaite pour remplacer entièrement l'arpenteur humain, mais c'est un grand pas en avant.

5. Les Résultats : Qu'ont-ils trouvé ?

Le Fil de Silicium : Ils ont réussi à simuler un fil de silicium avec des interactions électron-électron. Ils ont découvert que lorsque les électrons interagissent, le « gap » d'énergie (bande interdite) s'agrandit légèrement, exactement comme la physique le prédit.
Conservation du Courant : Ils ont prouvé que leur simulation fonctionne car le courant électrique entrant d'un côté du fil est exactement le même que le courant sortant de l'autre côté, malgré toutes les interactions complexes.
Le Test de l'IA : Ils ont utilisé leur IA pour prédire comment l'électricité circule à travers une cellule de mémoire. La prédiction de l'IA était très proche de la physique réelle, prouvant que l'apprentissage automatique peut accélérer considérablement ces simulations.

Résumé

Cet article traite de la montée en échelle. L'équipe a pris une méthode qui était auparavant limitée à de minuscules modèles de jouets et l'a adaptée à des dispositifs de taille industrielle et réaliste. Ils y sont parvenus en :

Divisant le travail entre des milliers d'ordinateurs (Parallélisation).
Réorganisant les données pour que les ordinateurs ne restent pas bloqués (Algorithmes).
Enseignant à une IA à deviner les parties les plus difficiles des mathématiques, ce qui permet de gagner du temps (Apprentissage automatique).

Ils n'ont pas encore résolu tous les problèmes (l'IA n'est pas parfaite et certaines simulations sont encore trop lourdes), mais ils ont construit le moteur qui permet enfin aux scientifiques de simuler des dispositifs quantiques réalistes avec une grande précision.

Résumé Technique : Accélération du NEGF Atomistique

Énoncé du Problème
La miniaturisation continue des transistors a amené les dimensions des dispositifs dans un régime où les simulations de transport quantique (QT) ab initio sont nécessaires. Bien que le formalisme des fonctions de Green hors équilibre (NEGF), combiné à la théorie de la fonctionnelle de la densité (DFT), offre un cadre rigoureux pour simuler les dispositifs à l'échelle nanométrique, les implémentations actuelles font face à des goulots d'étranglement importants. Historiquement, ces simulations ont été restreintes à de petits systèmes (quelques atomes) ou à la limite du transport balistique. L'inclusion de mécanismes de diffusion complexes (électron-phonon, électron-électron, électron-photon) et le passage à des tailles de dispositifs réalistes (des milliers d'atomes) restent informatiquement prohibitifs en raison de la mise à l'échelle en $O(N^3)$ de la DFT et de la nature séquentielle des algorithmes traditionnels de fonctions de Green récursives (RGF). De plus, la génération de matrices Hamiltoniennes pour des structures de grande taille évoluant dynamiquement (par exemple, lors de balayages de tension) reste un défi majeur.

Méthodologie
Les auteurs abordent ces limitations via une approche multidimensionnelle impliquant l'optimisation algorithmique, la parallélisation à haute performance et l'intégration de l'apprentissage automatique :

Cadre Algorithmique : La simulation centrale repose sur la résolution des équations NEGF pour les fonctions de Green retardées ( $G^R$ ) et mineures/majeures ( $G^{<,>}$ ) en présence d'auto-énergies de diffusion ( $\Sigma^{R, <, >}$ ). La méthodologie distingue deux tâches de calcul :
- Systèmes d'Équations Linéaires (LSE) : Résolution des fonctions de Green pour des points d'énergie spécifiques, qui sont indépendants et adaptés à la parallélisation.
- Convolutions d'Énergie (EC) : Calcul des termes de diffusion qui nécessitent une intégration sur de nombreux points d'énergie.
  Pour optimiser la mémoire et la communication, les auteurs implémentent un schéma de transposition de données. Pour les tâches LSE, les données sont stockées par point d'énergie ( $E, \omega$ ) à travers les indices spatiaux ( $i, j$ ), tandis que pour les tâches EC (utilisant des transformées de Fourier rapides), les données sont transposées pour accéder à plusieurs points d'énergie pour des indices spatiaux spécifiques.
Parallélisation (Serinv) : Pour surmonter le goulot d'étranglement séquentiel de l'algorithme RGF standard, les auteurs utilisent la bibliothèque Serinv. Ce package open-source basé sur GPU emploie la méthode du complément de Schur sur des matrices tri-diagonales par blocs (BT). Le système est partitionné sur plusieurs unités de calcul (CPU/GPU), permettant la résolution parallèle de systèmes d'équations réduits avant de reconstruire les entrées locales de la fonction de Green.
Intégration de l'Apprentissage Automatique : Pour contourner le calcul coûteux de la DFT en $O(N^3)$ pour la génération du Hamiltonien, les auteurs explorent les réseaux de neurones graphiques équivariants (EGNN). Le flux de travail proposé consiste à entraîner un EGNN sur des données DFT provenant d'une configuration de dispositif unique. Une fois entraîné, le réseau prédit les entrées de la matrice Hamiltonienne pour de nouvelles configurations (par exemple, différentes distributions de lacunes d'oxygène dans les cellules de mémoire) avec une mise à l'échelle en $O(N)$ , permettant la simulation de milliers d'atomes.

Contributions Clés

Package QuaTrEx : L'implémentation de ces modèles et algorithmes dans un nouveau package open-source nommé QuaTrEx.
Solveur Parallèle Scalable : Une démonstration de mise à l'échelle faible sur le supercalculateur Frontier, atteignant une efficacité de parallélisation de 80 % en passant de 1 à 9 400 nœuds (75 200 GPU) pour une simulation de nano-ruban de silicium.
Inclusion de la Diffusion : Simulation réussie d'un nano-ruban de silicium (25 344 atomes) incluant des interactions électron-électron auto-cohérentes (approximation GW), allant au-delà de la limite balistique.
Prédiction de Hamiltonien par ML : Développement d'un EGNN capable de prédire des matrices Hamiltoniennes pour des dispositifs comprenant des milliers d'atomes, entraîné sur une seule configuration pour gérer des états physiques variables.

Résultats

Simulation de Nano-Ruban de Silicium : Les auteurs ont simulé un nano-ruban de silicium de 52,1 nm de long contenant 25 344 atomes. Les résultats ont confirmé que l'inclusion des interactions électron-électron (via GW auto-cohérent) augmente légèrement la bande interdite, ce qui est cohérent avec les attentes théoriques. L'étude a également validé la conservation du courant à travers le dispositif malgré les variations de la distribution spectrale du courant le long de la direction de transport.
Performance : L'implémentation parallèle a réussi à gérer l'échelle complète du supercalculateur Frontier, démontrant la faisabilité de la simulation de dispositifs de grande échelle avec la diffusion porteur-porteur.
Précision de l'Apprentissage Automatique : Pour l'application de cellule de mémoire à changement de valence (VCM), l'EGNN a atteint une erreur moyenne d'environ 2 meV dans les entrées du Hamiltonien par rapport à la DFT. Cependant, les auteurs notent que bien que cette erreur soit comparable aux prédictions moléculaires de pointe, elle n'est pas encore assez précise pour reproduire pleinement le comportement de la fonction de transmission du dispositif.

Signification et Revendications
L'article affirme que la combinaison de la stratégie de parallélisation Serinv et des algorithmes numériques dédiés permet d'explorer des tailles et des fonctionnalités de dispositifs plus proches de la réalité expérimentale, incluant des effets physiques pertinents comme la diffusion porteur-porteur qui étaient auparavant trop coûteux informatiquement.

Concernant l'apprentissage automatique, les auteurs le présentent comme une voie prometteuse pour éliminer partiellement la nécessité de calculs DFT répétés, particulièrement pour les dispositifs aux géométries atomiques évoluant dans le temps. Toutefois, ils restent modestes quant à l'état actuel de cette technologie, reconnaissant que bien que les avantages de mise à l'échelle soient significatifs ( $O(N)$ contre $O(N^3)$ ), la précision prédictive pour les propriétés de transport complexes (comme les fonctions de transmission) n'est pas encore suffisante pour un remplacement complet des méthodes de premier principe. Ce travail sert de étape fondamentale vers l'intégration du ML dans les flux de travail de transport quantique ab initio.