Learning Between the Lines: Interaction Interpolation in a Multi Element Machine Learning Interatomic Potential

Dans le monde de la science des matériaux, les chercheurs tentent constamment de prédire comment les atomes se comporteront lorsqu'ils s'assemblent pour former des solides. Pour ce faire, ils s'appuient souvent sur un outil numérique appelé potentiel interatomique. Considérez cet outil comme un ensemble de règles qui indique à un ordinateur quelle quantité d'énergie est stockée dans un arrangement spécifique d'atomes et avec quelle force ils se poussent ou se tirent les uns les autres. Pendant des décennies, la méthode la plus précise pour générer ces règles a consisté à résoudre des équations de mécanique quantique complexes pour chaque scénario. Bien que cette méthode soit précise, elle est si lente qu'elle peut prendre des semaines pour simuler une minuscule goutte de métal liquide. Pour accélérer les choses, les scientifiques se sont tournés vers l'apprentissage automatique (machine learning). Ces programmes informatiques apprennent à partir d'une bibliothèque d'exemples précalculés pour prédire le comportement de nouveaux arrangements de manière presque instantanée. Cependant, un obstacle majeur demeure : généralement, un nouveau modèle d'apprentissage automatique doit être construit de toutes pièces pour chaque alliage ou mélange chimique spécifique qu'un scientifique souhaite étudier. Cela crée un goulot d'étranglement, car la construction de ces modèles personnalisés est coûteuse et chronophage. La grande question était de savoir si un modèle unique et léger pourrait apprendre les règles fondamentales d'interaction suffisamment bien pour gérer des combinaisons d'éléments entièrement nouvelles sans avoir besoin d'être réentraîné de zéro.

Une équipe de chercheurs du Laboratoire national de Los Alamos a franchi une étape significative vers la réponse à cette question en développant un modèle compact et polyvalent pour les alliages métalliques. Au lieu d'essayer de mémoriser chaque combinaison possible d'atomes, ils ont appris à leur modèle à comprendre les interactions de base entre les atomes individuels et les paires d'atomes, puis ont testé s'il pouvait comprendre des groupes plus complexes de sa propre initiative. Ils se sont concentrés sur douze métaux différents, incluant l'aluminium, le titane, le cuivre et le tungstène. En utilisant un processus d'apprentissage intelligent et par étapes, ils ont fourni au modèle des données sur des métaux purs et des mélanges simples de deux métaux. Ils ont ensuite demandé au modèle de prédire le comportement de mélanges de trois métaux et même de quatre métaux qu'il n'avait jamais vus auparavant. Les résultats ont été frappants : le modèle, entraîné uniquement sur des données simples, a prédit avec succès l'énergie et la stabilité de ces systèmes multi-métalliques complexes avec une grande précision. Cela suggère que le modèle a appris à « lire entre les lignes », en déduisant comment trois ou quatre atomes interagissent grâce à la compréhension des règles plus simples de l'interaction entre un ou deux atomes.

Les chercheurs y sont parvenus en utilisant une méthode appelée apprentissage actif (active learning), qui est semblable à un étudiant qui ne demande de l'aide que lorsqu'il est véritablement bloqué. Au lieu de fournir à l'ordinateur des millions d'exemples aléatoires, le système a lancé des simulations, a identifié les moments où il était le plus incertain de la réponse, puis a sollicité un puissant ordinateur quantique pour résoudre ces cas difficiles spécifiques. Ces nouvelles réponses de haute qualité ont été ajoutées à l'ensemble d'entraînement, et le processus s'est répété. Ils ont organisé cet apprentissage en étapes, commençant par les métaux seuls, passant aux paires, puis introduisant les triplets. Dans une série d'expériences, ils ont comparé un modèle entraîné sur des données de métaux simples et doubles à un autre modèle ayant également vu des données de métaux triples. Étonnamment, le modèle qui n'avait jamais vu de données de métaux triples s'est comporté de manière aussi performante lors des tests sur ces mélanges complexes. Les erreurs de prédiction de l'énergie de ces systèmes à trois métaux inconnus étaient presque identiques à celles du modèle qui avait été explicitement entraîné sur eux. Cela indique que le modèle n'a pas simplement mémorisé une liste de règles ; il a appris la physique sous-jacente suffisamment bien pour interpoler, ou combler les lacunes, pour des interactions qu'il n'avait jamais rencontrées.

Le succès de cette approche va encore plus loin. L'équipe a testé si leur modèle pouvait gérer un nouvel élément, l'or, qui ne faisait pas partie des douze métaux d'origine. Ils ont fourni au modèle des données pour des atomes d'or pur uniquement, sans aucune information sur la façon dont l'or se mélange aux autres métaux. Lorsqu'ils ont testé le modèle sur de l'or mélangé aux douze autres métaux, celui-ci a prédit avec succès le comportement de ces nouveaux alliages. Bien que les prédictions ne soient pas parfaites, le modèle a correctement classé la stabilité des différents mélanges d'or et a capturé les tendances générales d'énergie. Cela démontre que le modèle a appris un langage universel d'interaction atomique, lui permettant de transférer ses connaissances à un nouvel élément chimique avec un minimum de données supplémentaires. Les chercheurs ont constaté que la capacité de généralisation du modèle était si forte qu'il pouvait même prédire le comportement d'alliages à quatre métaux, appelés systèmes quaternaires, en utilisant uniquement les données des entraînements sur un et deux métaux.

Les implications de ce travail sont substantielles pour l'avenir de la conception des matériaux. Actuellement, la création d'un modèle fiable pour un nouvel alliage nécessite souvent la génération de vastes quantités de données coûteuses, ce qui limite la rapidité avec laquelle les scientifiques peuvent découvrir de nouveaux matériaux. Cette étude suggère qu'un ensemble de données beaucoup plus petit et plus soigneusement choisi pourrait suffire. En se concentrant sur la diversité des données plutôt que sur leur volume, et en s'assurant que le modèle apprend les interactions fondamentales entre les atomes individuels et les paires, les scientifiques peuvent construire des modèles légers qui sont à la fois rapides et largement applicables. Les chercheurs ont noté que, bien que leur modèle soit très précis pour de nombreux scénarios, il éprouvait de légères difficultés avec certaines combinaisons impliquant le vanadium, soulignant que bien que l'approche soit puissante, elle n'est pas encore une solution parfaite pour chaque mélange chimique possible. Néanmoins, les conclusions offrent une voie pratique à suivre. Elles suggèrent que nous n'avons pas besoin de bases de données massives et encombrantes pour comprendre les matériaux complexes. Au lieu de cela, en enseignant aux machines la grammaire de base des interactions atomiques, nous pouvons leur permettre d'écrire elles-mêmes les histoires des alliages complexes, accélérant ainsi la découverte de nouveaux métaux et alliages pour tout, de l'ingénierie aérospatiale au stockage de l'énergie.