🔬 materials science

MANDALA: An E(3)-Equivariant Graph Neural Network Framework for Learning Electronic-Structure Operators with Observable Guidance

Mandala est un cadre de réseau de neurones sur graphes modulaire et E(3)-équivariant qui comble le fossé entre l'apprentissage automatique et les calculs de structure électronique en apprenant des opérateurs quantiques à parcité creuse pour prédire directement les observables électroniques telles que les structures de bandes et les densités d'états, complétant ainsi les potentiels interatomiques classiques de l'apprentissage automatique.

Auteurs originaux : Bartosz Brzoza, Wiktoria Szopa, Zakaria Elabid, Vincent Martinetto, Varadarajan Rengaraj, Mani Lokamani, Thomas D. Kühne, Attila Cangi

Publié 2026-07-29

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Bartosz Brzoza, Wiktoria Szopa, Zakaria Elabid, Vincent Martinetto, Varadarajan Rengaraj, Mani Lokamani, Thomas D. Kühne, Attila Cangi

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 fonctionne une machine massive et complexe, comme une ville futuriste ou une cellule biologique géante. Pour ce faire, les scientifiques utilisent un outil puissant appelé la « Théorie de la Fonctionnelle de la Densité » (DFT). Considérez la DFT comme un appareil photo haute résolution qui prend des clichés de la façon dont les électrons (ces minuscules particules chargées négativement qui maintiennent les atomes ensemble) se déplacent et s'organisent. Cet appareil est si performant qu'il aide les chimistes et les spécialistes des matériaux à concevoir de nouveaux médicaments, des batteries plus puissantes et de meilleurs panneaux solaires. Cependant, il y a un bémol : prendre ces photos est incroyablement lent et coûteux. C'est comme essayer de filmer un film en résolution 8K sur un smartphone qui n'aurait assez de batterie que pour dix secondes d'enregistrement. À cause de cela, les scientifiques ne peuvent simuler que de très petits systèmes ou de très courts instants de temps.

Pour accélérer les choses, de nombreux chercheurs ont commencé à utiliser l'« Apprentissage Automatique » (Machine Learning) pour deviner les réponses. Généralement, ces modèles d'IA agissent comme des prévisionnistes météorologiques : ils observent les atomes et prédisent la « météo » (combien d'énergie le système possède et avec quelle force les atomes se poussent les uns les autres). C'est rapide et utile, mais c'est comme connaître la température sans savoir pourquoi il fait chaud ou froid. Vous passez à côté de la physique sous-jacente, comme les courants de vent ou l'humidité. Si vous voulez comprendre la « structure de bandes » (qui indique si un matériau est un métal ou un isolant) ou comment l'électricité circule à travers lui, vous avez besoin de l'image complète, pas seulement du rapport météo. C'est là qu'intervient ce nouvel article, proposant un moyen d'apprendre à l'IA à voir le film entier, et non pas seulement le bulletin météo.

Rencontrez Mandala : l'IA qui apprend les « plans » de la matière

Dans cet article, une équipe de scientifiques présente Mandala, un nouveau cadre logiciel qui agit comme un maître architecte pour le monde quantique. Alors que la plupart des modèles d'IA en science des matériaux se contentent de deviner le score final d'un match (l'énergie), Mandala est conçu pour apprendre les règles et le manuel de jeu (les opérateurs mathématiques) qui régissent le comportement des électrons.

Imaginez les électrons dans un matériau comme une immense et chaotique fête de danse. Les modèles d'IA traditionnels se contentent de compter combien de personnes dansent et quelle énergie la musique consomme. Mandala, cependant, apprend les pas de danse spécifiques, la façon dont les partenaires se connectent et le rythme de la pièce. Il y parvient en prédisant trois « plans » ou matrices spécifiques : le Hamiltonien (qui décrit l'énergie et les règles de la danse), le Recouvrement (qui décrit comment l'espace personnel des danseurs se chevauche) et la Densité (qui montre où les danseurs sont entassés).

La recette secrète : Symétrie et Parcimonie

Pourquoi Mandala est-il spécial ? Il utilise deux astuces ingénieuses pour rendre l'impossible possible.

Premièrement, il utilise l'E(3)-équivariance. Imaginez que vous regardiez un flocon de neige. Si vous faites pivoter le flocon, il semble identique, simplement tourné. Une IA normale pourrait être confuse si vous faites pivoter le flocon sur l'image, pensant qu'il s'agit d'un nouvel objet différent. Mandala, en revanche, est « conscient de la symétrie ». Il comprend que les lois de la physique ne changent pas simplement parce que vous tournez la tête. Il apprend les pas de danse d'une manière qui fonctionne quel que soit votre angle de rotation ou de basculement. Cela le rend incroyablement efficace et précis, tel un danseur qui connaît la chorégraphie si bien qu'il peut l'exécuter dans n'importe quelle direction.

Deuxièmement, il utilise la parcimonie (sparsity). Dans une grande ville, vous ne parlez pas à tout le monde en même temps ; vous n'interagissez qu'avec vos voisins. De même, les électrons interagissent principalement avec les atomes qui se trouvent juste à côté d'eux. Mandala réalise que la plupart des « plans » sont vides (zéros) car les atomes éloignés n'influencent pas les autres. Au lieu d'essayer de mémoriser un immense tableur vide, il se concentre uniquement sur les connexions actives. C'est comme un détective qui n'interroge que les témoins qui étaient réellement présents sur les lieux, ignorant le reste de la ville, ce qui rend l'enquête beaucoup plus rapide.

Qu'ont-ils découvert ?

Les auteurs ont testé Mandala sur trois types de matériaux très différents pour voir s'il pouvait gérer le chaos du monde réel :

ZnCu2Sn(SeS)2 : Un matériau complexe composé de cinq éléments différents, comme une soupe avec cinq ingrédients distincts qui doivent être mélangés parfaitement.
Oxyde de Silicium Amorphe : Vitreux, désordonné et chaotique, comme un tas de sable qui n'a pas été trié.
Silicium Cristallin : Une grille ordonnée et nette, comme un mur de briques parfaitement empilées.

Dans tous ces cas, Mandala a réussi à apprendre à prédire les « plans » (les matrices) avec une grande précision. Mais la véritable magie s'est produite lorsqu'ils ont utilisé ces prédictions pour calculer des éléments pour lesquels ils n'avaient pas été explicitement entraînés. Parce que Mandala a appris les règles sous-jacentes, il a pu générer automatiquement :

Structures de bandes : La « feuille de route » des niveaux d'énergie qui indique si un matériau conduit l'électricité.
Densité d'états : Un histogramme montrant combien de « sièges » électroniques sont disponibles à différents niveaux d'énergie.
Énergies de bande et comptage d'électrons : L'énergie totale et le nombre d'électrons, dérivés directement des plans prédits.

L'article démontre que Mandala peut accomplir cela sans avoir besoin d'une IA distincte pour chaque tâche. C'est un « guichet unique » qui apprend la physique puis en déduit les réponses.

Les limites et l'avenir

Les auteurs précisent avec prudence que Mandala n'est pas une baguette magique qui résout tout instantanément. Il fonctionne mieux lorsque les atomes sont assez proches pour interagir dans un certain « rayon de coupure » (cutoff radius), et il se concentre actuellement sur des types spécifiques de matériaux où les électrons sont localisés (bloqués près des atomes) plutôt que flottant librement partout.

Ils soulignent également que, bien que Mandala puisse prédire l'« énergie de bande » (une partie spécifique de l'énergie totale), il ne calcule pas encore l'intégralité de l'énergie totale du système. Cela signifie qu'il ne peut pas encore prédire avec une précision parfaite les forces qui déplacent les atomes dans une simulation (comme dans un moteur physique de jeu vidéo). C'est un objectif pour l'avenir.

Cependant, les résultats sont prometteurs. En apprenant les « opérateurs » (les règles mathématiques) plutôt que de simples « observables » (les chiffres finaux), Mandala comble le fossé entre l'apprentissage automatique rapide et la physique quantique profonde. Cela suggère que nous pouvons avoir le meilleur des deux mondes : la vitesse de l'IA et les détails riches en physique de la mécanique quantique traditionnelle.

En bref, Mandala est un nouveau type d'outil qui apprend aux ordinateurs à comprendre le langage des électrons, et pas seulement leur vocabulaire. Il permet aux scientifiques de simuler des matériaux plus grands et plus complexes, et de voir les détails électroniques cachés qui étaient auparavant trop coûteux à calculer, ouvrant ainsi la voie à la conception de meilleurs matériaux pour notre avenir.

Résumé Technique : Mandala – Un cadre de réseaux de neurones sur graphes E(3)-équivariants pour l'apprentissage d'opérateurs de structure électronique

1. Énoncé du problème

Les calculs de structure électronique basés sur la théorie de la fonctionnelle de la densité de Kohn-Sham (DFT) sont indispensables en science des matériaux computationnelle, mais ils sont limités par des coûts de calcul élevés, ce qui restreint les tailles de systèmes et les temps de simulation accessibles. Bien que les potentiels interatomiques appris par apprentissage automatique (MLIP) aient réussi à accélérer les simulations pour les énergies et les forces, ils opèrent généralement au niveau scalaire ou vectoriel. Par conséquent, les MLIP conventionnels ne parviennent pas à fournir l'information au niveau de l'opérateur requise pour reconstruire les observables quantiques, telles que les structures de bandes, les densités d'états (DOS), les distributions de charge spatiale et d'autres propriétés électroniques. Il existe un fossé méthodologique pour un cadre évolutif capable d'apprendre les opérateurs de structure électronique eux-mêmes (matrices de l'Hamiltonien, de recouvrement et de densité) tout en conservant la capacité de dériver ces observables complexes directement à partir des opérateurs appris.

2. Méthodologie

Mandala est un cadre logiciel modulaire conçu pour apprendre des matrices de structure électronique à parcité de blocs (block-sparse) en utilisant des réseaux de neurones sur graphes (GNN) E(3)-équivariants. La méthodologie repose sur les piliers suivants :

Représentation des opérateurs : Au lieu de traiter la structure électronique comme des tableaux globaux denses, Mandala représente les matrices de l'Hamiltonien ( $H$ ), du recouvrement ( $S$ ) et de la densité ( $D$ ) comme des tenseurs de blocs creux résolus par paires d'atomes. Cela exploite la localité de la structure électronique dans les bases d'orbitales localisées.
Équivariance E(3) : Le cadre utilise des GNN E(3)-équivariants pour respecter les lois de transformation géométrique de l'espace 3D (translations, rotations et réflexions). Les caractéristiques cachées sont décomposées en représentations irréductibles (irreps) du groupe de rotation $O(3)$ , étiquetées par un moment angulaire $\ell$ et une parité $p$ . Cela garantit que les opérateurs appris se transforment correctement sous les opérations de symétrie sans dépendre d'invariants fabriqués à la main.
Flux de travail unifié : Le cadre intègre plusieurs composants dans un pipeline unique :
- Ingestion de données : Des analyseurs pour plusieurs backends (OpenMX, FHI-aims, PySCF) convertissent divers résultats en un format Snapshot unifié.
- Conversion de base : Un BlockIrrepMapper convertit les ordonnancements d'orbitales et les conventions de signe spécifiques au backend en une représentation interne commune compatible avec la bibliothèque e3nn.
- Construction de graphe : Les conditions limites périodiques sont gérées par la construction d'arêtes avec des vecteurs de décalage de réseau explicites, assurant un alignement exact entre les arêtes du graphe et les blocs de matrices creuses.
- Architecture du modèle : Le réseau emploie un passage de messages équivariant, des produits tensoriels et des têtes de lecture configurables pour prédire les vecteurs d'irreps, qui sont ensuite reconstitués en blocs d'opérateurs creux.
Guidage par les observables : Une caractéristique clé est la possibilité d'utiliser un entraînement « guidé par les observables ». Comme les opérateurs prédits sont différentiables, des quantités telles que l'énergie de bande ( $E_b = \text{Tr}(DH)$ ) et le nombre d'électrons ( $N_e = \text{Tr}(DS)$ ) peuvent être calculées directement à partir des matrices prédites. Ces quantités peuvent être incluses comme termes de perte aux côtés des erreurs de reconstruction de matrice. Pour les systèmes périodiques, le guidage spectral est également pris en charge, comparant les spectres de valeurs propres généralisés dérivés des opérateurs prédits par rapport à des spectres de référence sur une grille de points k.
Post-traitement : Le cadre inclut des étapes de post-traitement physiquement cohérentes, telles que la symétrisation des matrices, l'alignement de jauge (correction de décalage de recouvrement) pour les Hamiltoniens, et la normalisation de la densité pour assurer la cohérence du nombre d'électrons.

3. Contributions clés

Conception du cadre : Mandala fournit une pile logicielle réutilisable et modulaire qui unifie la prédiction d'opérateurs creux, le guidage par les observables, la gestion de données multi-backends et l'exploration d'architectures étendues. Il permet aux chercheurs d'échanger des formats de données, des cibles physiques et des variantes de modèles sans réécrire le code de base.
Apprentissage au niveau de l'opérateur : Contrairement aux MLIP standards qui prédisent des énergies scalaires, Mandala prédit les opérateurs quantiques sous-jacents. Cela permet la reconstruction directe des structures de bandes, des DOS et des distributions de charge à partir du modèle appris.
Implémentation E(3)-équivariante : Le cadre implémente une approche rigoureuse E(3)-équivariante pour les matrices de blocs creux, faisant correspondre les blocs de paires d'atomes aux représentations irréductibles pour assurer la cohérence géométrique.
Objectifs d'entraînement flexibles : Le système prend en charge l'apprentissage de matrice pure, l'apprentissage mixte matrice-et-observable, et l'entraînement entièrement guidé par les observables. Il permet la prédiction simultanée des matrices de l'Hamiltonien, du recouvrement et de la densité avec des représentations latentes partagées.
Évolutivité et extensibilité : Le cadre est conçu pour supporter des compositions chimiques hétérogènes et diverses variantes d'architectures neuronales au sein d'un même flux de travail. Il inclut des outils pour la recherche systématique d'architecture via des paramètres de configuration.

4. Résultats

L'article démontre les capacités de Mandala sur trois ensembles de données distincts :

ZnCu2Sn(SeS)2 : Un chalcogénure multicomposant avec cinq éléments et des environnements chimiquement distincts. Le modèle a réussi à résoudre la chimie locale hétérogène et le couplage entre les environnements.
SiO2 amorphe : Une configuration de verre amorphe de 150 atomes, démontrant la capacité du cadre à gérer des environnements désordonnés, de type non périodique, au sein d'un cadre périodique.
Silicium perturbé : Silicium cristallin avec des perturbations, utilisé pour valider les performances sur un système périodique standard.

Métriques de performance :

Les modèles ont atteint de faibles erreurs absolues moyennes (MAE) pour les matrices de l'Hamiltonien, du recouvrement et de la densité sur les ensembles de validation.
Les énergies de bande et les nombres d'électrons ont été prédits avec précision directement à partir des opérateurs.
La densité d'états (DOS) et les structures de bandes ont été reconstruites avec succès et correspondent aux calculs DFT de référence.
Évolutivité de l'inférence : Les benchmarks sur des supercellules de silicium périodiques (jusqu'à 4096 atomes) sur un seul GPU NVIDIA B200 ont montré que l'inférence passe à l'échelle linéairement avec la taille du système jusqu'à la limite testée. Les principaux goulots d'étranglement identifiés étaient la préparation du graphe et la mémoire d'évaluation du modèle, et non le passage avant (forward pass) du réseau neuronal lui-même.

5. Signification et affirmations

L'article positionne Mandala comme un outil complémentaire aux flux de travail de potentiels interatomiques atomistiques. Sa principale signification réside dans le pont jeté entre l'apprentissage automatique efficace et la nécessité d'une analyse détaillée de la structure électronique.

Complémentarité : Mandala est destiné à compléter les flux de travail MLIP existants en résolvant la structure électronique et les observables dérivées des opérateurs au sein d'une implémentation scalable unique, plutôt qu'à les remplacer.
Avancée méthodologique : En apprenant directement les opérateurs, le cadre conserve une représentation liée aux principes quantiques, permettant l'analyse de phénomènes tels que le transfert de charge, l'hybridation orbitale et les états localisés par défaut, qui sont inaccessibles aux MLIP purement scalaires.
Reproductibilité et extensibilité : Le cadre met l'accent sur la reproductibilité grâce à un ordonnancement d'arêtes déterministe, des configurations sérialisées et une conception modulaire, ce qui en fait une plateforme robuste pour de futures expérimentations méthodologiques en apprentissage automatique scientifique.

Les auteurs notent les limitations actuelles, notamment la restriction aux matrices réelles et non polarisées par le spin, la dépendance aux bases d'orbitales localisées, et le fait que l'observable d'énergie de bande ne comprend pas encore toutes les contributions à l'énergie totale de Kohn-Sham (limitant l'utilisation directe des dérivées pour les forces et les contraintes d'énergie totale). Cependant, le cadre est conçu pour accueillir ces extensions dans des développements futurs.