Expanding Universal Machine Learning Interatomic Potentials to 97 Elements Towards Nuclear Applications

Cet article présente le développement d'un potentiel interatomique d'apprentissage automatique universel et open-source couvrant 97 éléments, incluant pour la première fois les actinides mineurs, afin de faciliter la conception de matériaux pour les applications nucléaires.

L'essentiel

Imaginez que vous êtes un architecte chargé de construire des maisons (des matériaux) pour des environnements extrêmes, comme le cœur d'un réacteur nucléaire ou une sonde spatiale. Pour concevoir ces maisons, vous avez besoin de connaître exactement comment les briques (les atomes) s'agencent, bougent et interagissent entre elles.

Traditionnellement, pour connaître ces interactions, les scientifiques devaient faire des calculs mathématiques ultra-complexes, un peu comme essayer de résoudre un puzzle de 10 000 pièces en regardant chaque pièce individuellement avec une loupe. C'est précis, mais cela prend une éternité. C'est ce qu'on appelle les calculs "de premiers principes".

Voici ce que cette nouvelle recherche propose, expliqué simplement :

1. Le Problème : Les "Briques" Manquantes

Jusqu'à présent, les scientifiques avaient créé des "recettes" numériques (appelées potentiels interatomiques) pour prédire le comportement de la plupart des atomes du tableau périodique (environ 89 éléments). C'est comme avoir un guide de cuisine pour 89 ingrédients différents.

Mais il manquait des ingrédients cruciaux pour l'avenir de l'énergie nucléaire : les actinides mineurs (comme l'Américium, le Curium, le Californium). Ce sont des éléments lourds, radioactifs et toxiques. Les mesurer en laboratoire est dangereux, cher et difficile. Sans ces données, on ne pouvait pas prédire comment ces matériaux se comporteraient dans des réacteurs de nouvelle génération ou pour le stockage des déchets.

2. La Solution : Un "Super-Guide" Universel

L'équipe de l'Université d'Osaka a décidé de combler ce vide. Ils ont créé une nouvelle base de données, qu'ils appellent HE26, qui contient des informations sur ces 8 éléments lourds manquants, en se basant sur des données expérimentales et des calculs informatiques existants.

Ensuite, ils ont pris ce nouveau guide et l'ont fusionné avec deux autres guides géants qui contenaient des données sur des molécules et des cristaux courants.

Le résultat ? Un modèle d'intelligence artificielle (qu'ils appellent MACE-Osaka26) qui est devenu le "chef cuisinier" le plus complet au monde.

• Avant : Il connaissait 89 ingrédients.
• Maintenant : Il en connaît 97. C'est le modèle le plus large jamais créé.

3. Comment ça marche ? (L'analogie du "Téléphone Arabe")

Imaginez que vous essayez d'apprendre à un enfant à reconnaître des objets.

• L'ancienne méthode : Vous lui montrez une pomme, puis une poire, puis une orange. Il apprend bien, mais si vous lui montrez un fruit exotique qu'il n'a jamais vu (comme un fruit de l'actinide), il est perdu.
• La nouvelle méthode (MACE-Osaka26) : L'équipe a entraîné l'IA non seulement avec des fruits connus, mais aussi avec des photos et des descriptions de fruits exotiques rares. De plus, ils ont ajusté la "portée de la vue" de l'IA.
  • L'analogie technique : Les atomes lourds interagissent sur de plus longues distances que les atomes légers. C'est comme si l'IA avait des yeux qui voyaient plus loin. En augmentant la distance de vision (de 4,5 Ångströms à 6,0 Ångströms), l'IA peut "voir" comment les atomes lourds se parlent entre eux, ce qui rend ses prédictions beaucoup plus précises.

4. À quoi ça sert ? (Les Applications)

Grâce à ce nouveau modèle, les scientifiques peuvent maintenant :

• Simuler la chaleur : Ils ont pu prédire comment la chaleur circule dans des oxydes d'actinides. C'est crucial pour éviter que les réacteurs ne surchauffent.
• Concevoir de nouveaux matériaux : Ils peuvent imaginer des céramiques "haute entropie" (des mélanges complexes de plusieurs métaux) capables de résister à des conditions extrêmes, sans avoir à fabriquer physiquement chaque prototype.
• Gérer les déchets : Mieux comprendre comment les déchets nucléaires se comportent sur le long terme.

5. Le Résultat Final

C'est comme si on avait donné aux ingénieurs nucléaires une boussole magique. Au lieu de devoir construire un réacteur, le tester, le détruire et recommencer (ce qui est impossible avec des matériaux radioactifs), ils peuvent maintenant faire des milliers de simulations virtuelles en quelques secondes.

Le modèle est gratuit et ouvert à tous. Cela signifie que n'importe quel chercheur dans le monde peut maintenant utiliser cette "boussole" pour explorer des matériaux qui étaient jusqu'à présent dans le noir, accélérant ainsi la découverte de solutions pour l'énergie nucléaire durable et sûre.

En résumé : Ils ont appris à une intelligence artificielle à "parler" la langue de presque tous les atomes connus, y compris les plus lourds et les plus dangereux, pour nous aider à construire un avenir énergétique plus sûr.

Résumé technique

Voici un résumé technique détaillé de l'article « Expanding Universal Machine Learning Interatomic Potentials to 97 Elements Towards Nuclear Applications », rédigé en français.

1. Problématique et Contexte

Les éléments transuraniens et les actinides mineurs (tels que l'Américium, le Curium et le Californium) sont des ressources clés pour la durabilité du cycle du combustible nucléaire, la génération d'énergie spatiale (générateurs thermoélectriques) et le développement de céramiques à haute entropie pour environnements extrêmes. Cependant, leurs propriétés thermophysiques et thermochimiques (conductivité thermique, expansion linéaire, viscosité) sont extrêmement difficiles à mesurer expérimentalement en raison de leur forte radioactivité et toxicité.

Les approches computationnelles basées sur la théorie de la fonctionnelle de la densité (DFT) sont précises mais deviennent prohibitives en coût de calcul pour les systèmes multi-composants complexes (comme les combustibles mixtes ou les céramiques à haute entropie) en raison de la nécessité de grandes supercellules et de la complexité des constantes de force anharmoniques.

Bien que les potentiels interatomiques basés sur l'apprentissage automatique (MLIP) offrent une alternative rapide, les modèles universels existants (couvrant jusqu'à 89 éléments) présentent une lacune critique : ils ne couvrent pas les éléments lourds essentiels au domaine nucléaire (Am, Cm, Cf, etc.) en raison de l'absence de données d'entraînement de haute qualité pour ces éléments dans les bases de données actuelles.

2. Méthodologie

Pour combler ce vide, les auteurs ont développé une approche en trois étapes principales :

• Construction du jeu de données HE26 :

  • Création d'un nouveau jeu de données de calculs ab initio (DFT) spécifiquement dédié aux éléments lourds, nommé HE26 (Heavy Element 2026).
  • Ce jeu de données couvre 65 éléments au total, incluant huit éléments lourds rares dans les bases existantes : Am, Cm, Cf, Fr, At, Ra, Po et Rn.
  • HE26 est structuré en trois sous-ensembles pour assurer une diversité chimique et structurelle :
    1. BHE (Basic Heavy Element) : Solides élémentaires et oxydes binaires.
    2. CHE (Complex Heavy Element) : Systèmes multi-composants divers.
    3. CCFO (Compositionally Complex Fluorite Oxides) : Solutions solides d'oxydes fluorites (du binaire au quinaire) impliquant des actinides, des lanthanides et des terres rares, ciblant les céramiques à haute entropie.
  • Les calculs DFT ont été effectués avec VASP, en utilisant des fonctionnelles PBE (et DFT+U pour certains métaux de transition), avec une sélection rigoureuse des configurations magnétiques pour assurer la convergence électronique.

• Intégration et Alignement des Données :

  • Le jeu de données HE26 a été intégré aux jeux de données existants MPtrj (cristaux) et OFF23 (molécules organiques).
  • L'intégration a été réalisée via le protocole d'alignement de l'énergie totale (TEA - Total Energy Alignment), permettant de fusionner des données de fidélités et de domaines différents en un ensemble cohérent.

• Entraînement du Modèle MACE-Osaka26 :

  • Un potentiel universel MACE-Osaka26 a été entraîné sur cet ensemble combiné couvrant 97 éléments.
  • Architecture : Basée sur le framework MACE (Message Passing Neural Networks), utilisant une architecture invariante par rotation et équivariante par translation.
  • Amélioration clé : Le rayon de coupure (cutoff radius) a été augmenté de 4,5 Å (dans le modèle précédent MACE-Osaka24) à 6,0 Å. Cette modification est cruciale pour capturer les interactions à plus longue portée essentielles pour les structures cristallines des éléments lourds (notamment les structures BCC).
  • Le modèle a été entraîné sur 32 GPU NVIDIA A100.

• Validation des Propriétés Thermiques :

  • Pour évaluer la capacité du modèle à prédire des propriétés dynamiques, les auteurs ont calculé la conductivité thermique du réseau ($\kappa_L$) des oxydes fluorites d'actinides.
  • Les constantes de force interatomiques d'ordre 2 et 3 ont été générées par le MLIP.
  • La conductivité thermique a été obtenue en résolvant l'équation de transport de Wigner (via le package phono3py), une méthode supérieure au transport de Boltzmann pour les systèmes désordonnés et à basse symétrie, car elle inclut les effets de transport cohérent (tunneling inter-bandes).

3. Résultats Clés

• Précision Transversale (Cross-domain) :

  • Le modèle MACE-Osaka26 démontre une amélioration significative par rapport à MACE-Osaka24 sur les ensembles de test standards.
  • Sur l'ensemble moléculaire OFF23, l'erreur quadratique moyenne (RMSE) de l'énergie a été réduite de moitié (de 25,2 à 12,3 meV/atome).
  • Sur l'ensemble cristallin MPtrj, les erreurs sur les forces et les contraintes ont diminué, indiquant une meilleure gestion des configurations aberrantes.

• Performance sur les Éléments Lourds (HE26) :

  • Le modèle réussit à prédire les propriétés des 8 nouveaux éléments lourds avec une précision remarquable, malgré la petite taille de l'ensemble de données.
  • RMSE de l'énergie : 117,3 meV/atome (sur l'ensemble d'entraînement).
  • Précision des forces et contraintes : Très élevée (MAE de 26,3 meV/Å pour les forces et 1,3 meV/ų pour les contraintes), confirmant que le modèle a appris correctement les surfaces d'énergie potentielle complexes.
  • Paramètres de maille : Le modèle reproduit fidèlement les tendances des paramètres de maille pour les oxydes fluorites d'actinides (de Th à Cf) et les solutions solides complexes, avec un RMSE inférieur à 0,02 Å pour les systèmes complexes.

• Conductivité Thermique :

  • Le modèle prédit avec succès la conductivité thermique d'une série complète de dioxydes d'actinides ($AnO_2$) sur une large plage de température (300–1500 K), en accord avec les données expérimentales disponibles.
  • Stabilité Dynamique : Aucune fréquence de phonon imaginaire n'a été détectée pour les huit systèmes d'actinides, prouvant la stabilité dynamique des structures prédites.
  • Effet de Dopage : Pour la solution solide dopée $Am_{0.25}U_{0.75}O_2$, le modèle capture quantitativement la dégradation sévère de la conductivité thermique induite par le dopage en Américium, comblant le fossé entre les propriétés des oxydes purs.

4. Contributions Majeures

1. Extension de la couverture élémentaire : Création du premier potentiel universel couvrant 97 éléments, élargissant la couverture au-delà des 89 éléments standards pour inclure les actinides mineurs et d'autres éléments lourds critiques.
2. Jeu de données HE26 : Publication d'un jeu de données DFT ouvert et reproductible spécifiquement conçu pour les éléments lourds, comblant un manque majeur dans la littérature scientifique.
3. Modèle Open Source : Mise à disposition gratuite du modèle MACE-Osaka26 et des données, permettant une reproduction immédiate et une utilisation par la communauté scientifique.
4. Validation Physique : Démonstration que les MLIPs universels peuvent prédire avec fiabilité des propriétés thermodynamiques complexes (conductivité thermique via transport de Wigner) pour des systèmes nucléaires désordonnés, là où les calculs DFT directs sont impossibles.

5. Signification et Perspectives

Ce travail représente une avancée majeure pour la science des matériaux nucléaires. En fournissant un outil capable de modéliser avec précision des systèmes contenant des transuraniens, il ouvre la voie à :

• La conception accélérée de nouveaux combustibles nucléaires et de formes de déchets.
• Le développement de céramiques à haute entropie basées sur les actinides pour des environnements extrêmes.
• La réduction de la dépendance aux expériences coûteuses et dangereuses sur les éléments radioactifs.

Bien que le modèle repose actuellement sur des calculs DFT de niveau PBE (qui peuvent avoir des limites pour les électrons f fortement corrélés), il constitue une base solide. Les auteurs soulignent que l'avenir réside dans l'intégration de corrections de spin-orbite (SOC), de méthodes électroniques de plus haut niveau et de l'apprentissage actif pour affiner davantage la fiabilité des données pour les éléments transuraniens.