Density functional perturbation theory of meta-generalized gradient approximations using algorithmic differentiation

Pour comprendre comment les matériaux se comportent, du silicium dans une puce informatique à la céramique dans un moteur de jet, les scientifiques s'appuient sur un ensemble puissant de règles appelé la théorie de la fonctionnelle de la densité. Ce cadre permet aux chercheurs de prédire les propriétés physiques et chimiques de la matière en observant comment les électrons se répartissent autour des noyaux atomiques. Pendant des décennies, une méthode spécifique au sein de ce cadre a été la référence pour déterminer comment les matériaux réagissent lorsqu'on les pousse, les tire ou les chauffe. Cette méthode, connue sous le nom de théorie des perturbations de la densité fonctionnelle, calcule ces réactions avec une grande précision, révélant tout, de la façon dont un cristal vibre à la manière dont il conduit l'électricité. Cependant, alors que les scientifiques cherchaient des prédictions plus précises, ils se sont heurtés à un mur. Les formules les plus avancées disponibles aujourd'hui, qui offrent une image plus nette de la réalité, sont incroyablement difficiles à utiliser avec cette méthode de calcul de réaction. Le calcul requis pour les faire fonctionner est si complexe que la plupart des programmes informatiques ne peuvent simplement pas les gérer, laissant les chercheurs coincés avec des outils moins précis ou les forçant à effectuer des calculs lents et maladroits pour accomplir la tâche.

Une équipe de chercheurs de l'École Polytechnique Fédérale de Lausanne a trouvé un moyen de briser cette barrière. Ils ont développé une nouvelle approche qui permet d'utiliser ces formules avancées de haute précision de manière fluide au sein du cadre de calcul de réaction. En utilisant une technique appelée différenciation algorithmique, qui consiste essentiellement à apprendre à l'ordinateur à calculer ses propres dérivées étape par étape, ils ont contourné la nécessité pour les humains de dériver manuellement des expressions mathématiques complexes pour chaque nouvelle formule. Cette innovation signifie que les scientifiques peuvent désormais calculer instantanément comment les matériaux répondent aux forces externes en utilisant les modèles les plus sophistiqués disponibles. Les chercheurs ont testé leur méthode sur deux matériaux importants, l'oxyde de zinc et le titanate de baryum, et ont constaté que leur nouvelle approche produisait des résultats nettement plus proches de la réalité expérimentale que les méthodes précédentes. De plus, ils ont démontré que cet outil pouvait être utilisé pour entraîner des modèles d'intelligence artificielle afin de créer de meilleures formules, une tâche qui était auparavant trop difficile à tenter.

Le cœur de cette réussite réside dans la manière dont les chercheurs ont traité la « densité d'énergie cinétique », une information spécifique sur la vitesse à laquelle les électrons se déplacent au sein d'un matériau. Dans les formules les plus avancées, l'énergie du système dépend non seulement du nombre d'électrons à un endroit donné, mais aussi de cette densité d'énergie cinétique. Bien que ce détail supplémentaire rende les formules beaucoup plus précises, il rend également le calcul des réactions incroyablement complexe. Traditionnellement, pour utiliser ces formules, un chercheur devait s'asseoir et écrire un ensemble d'équations unique et compliqué pour chaque nouvelle formule qu'il voulait tester. Ce processus est lent, sujet à l'erreur humaine et a empêché de nombreuses formules avancées d'être utilisées dans les simulations informatiques standards. La nouvelle méthode contourne entièrement ce problème. Au lieu de demander à un humain d'écrire les équations complexes, les chercheurs ont laissé l'ordinateur faire le travail. Ils ont traité le calcul de ces réactions comme une série de petites étapes gérables que l'ordinateur pouvait différencier automatiquement.

Imaginez essayer de trouver la pente d'une route très complexe et sinueuse. Par le passé, vous deviez vous arrêter et calculer manuellement la pente pour chaque virage et chaque courbe en utilisant une règle spécifique pour cette forme exacte. La nouvelle méthode est comparable à une voiture capable de mesurer sa propre pente instantanément pendant qu'elle roule, sans avoir besoin d'une carte pré-établie de la forme de la route. Les chercheurs ont appliqué ce concept au monde des électrons. Ils ont construit un système où l'ordinateur calcule comment la densité électronique change en réponse à une perturbation, telle que l'étirement du matériau ou l'application d'un champ électrique, en différenciant automatiquement le code sous-jacent. Cela leur a permis d'étendre leur logiciel pour gérer les formules avancées qui dépendent de la densité d'énergie cinétique, une prouesse qui était restée largement hors de portée des simulations informatiques standards.

Pour prouver l'efficacité de leur méthode, l'équipe l'a appliquée à deux matériaux du monde réel : l'oxyde de zinc, utilisé dans l'électronique et les dispositifs piézoélectriques, et le titanate de baryum, un matériau ferroélectrique classique utilisé dans les condensateurs. Ils ont calculé une large gamme de propriétés, notamment la rigidité des matériaux, la façon dont ils génèrent de l'électricité lorsqu'ils sont comprimés et la manière dont ils interagissent avec les champs électriques. Ils ont comparé leurs résultats à la fois aux données expérimentales et aux calculs provenant de formules plus anciennes et moins précises. Les conclusions étaient claires : la nouvelle méthode, utilisant les formules avancées, a systématiquement surpassé les approches plus anciennes. Pour l'oxyde de zinc, les nouveaux calculs ont prédit la taille et la rigidité du matériau avec une erreur de moins de un pour cent par rapport aux mesures réelles, alors que les anciennes méthodes présentaient un écart de un à deux pour cent. De même, pour le titanate de baryum, la nouvelle approche a fourni une image beaucoup plus précise de la façon dont la structure interne se déforme et de la manière dont elle répond aux champs électriques, correspondant aux résultats de techniques de simulation même plus complexes et coûteuses.

Au-delà du simple calcul de propriétés, les chercheurs ont montré que cet outil pouvait être utilisé pour apprendre aux ordinateurs à inventer de meilleures formules. Ils ont utilisé leur système pour entraîner un petit réseau neuronal artificiel pour agir comme une nouvelle fonctionnelle d'échange et de corrélation, qui est le cœur mathématique de la simulation. L'objectif était de faire en sorte que cette nouvelle formule imite les résultats d'une méthode hautement précise mais coûteuse en calcul, appelée DFT hybride. Les chercheurs ont nourri le système avec des données provenant du silicium, un matériau fondamental pour l'industrie électronique. Ils ont découvert que lorsque le système était entraîné uniquement sur les données d'énergie, il peinait à prédire le comportement du silicium dans différentes conditions. Cependant, lorsqu'ils ont entraîné le système en utilisant également la densité réelle des électrons ainsi que l'énergie, les résultats se sont considérablement améliorés. Le modèle entraîné pouvait prédire avec précision le comportement du silicium dans une phase de haute pression qu'il n'avait jamais rencontrée auparavant, démontrant que l'apprentissage à partir de la densité électronique rend les formules résultantes beaucoup plus fiables et transférables à de nouvelles situations.

Ce travail représente une étape importante dans la capacité à simuler des matériaux avec une grande précision. En supprimant le goulot d'étranglement manuel qui a empêché l'utilisation de formules avancées, les chercheurs ont ouvert la voie à des prédictions plus précises des propriétés des matériaux. Cela est crucial pour la conception de nouveaux matériaux destinés au stockage de l'énergie, à l'électronique et à d'autres technologies où de petites différences de performance sont déterminantes. La capacité de calculer ces réactions rapidement et avec précision signifie que les scientifiques peuvent désormais explorer un plus large éventail de matériaux et tester des modèles plus complexes sans être freinés par les limites de calcul. Bien que l'implémentation actuelle repose sur un type spécifique de calcul qui limite le nombre de paramètres pouvant être traités simultanément, le succès de cette approche suggère que les développements futurs pourraient mener à des outils encore plus puissants. Les chercheurs ont rendu leur code et leurs données publics, invitant d'autres personnes à bâtir sur cette base et à affiner davantage la façon dont nous comprenons et concevons les matériaux du futur.