← Derniers articles
🔬 science des matériaux

Technical Note on Matlantis PFP v9: Extending the Element and Domain Coverage of the r2SCAN Training Data

Matlantis PFP v9 étend le potentiel d'apprentissage automatique universel entraîné sur r2SCAN pour couvrir 96 éléments (incluant les lanthanides et les actinides) ainsi que de nouveaux domaines tels que les clusters et l'adsorption, atteignant une précision de niveau expérimental pour les énergies de formation et des erreurs d'adsorption comparables à la DFT, tout en surpassant significativement SevenNet-Omni en vitesse d'inférence et en taille maximale de système.

Auteur original : Daiki Shintani, Shigeru Iwase, Jun Oshiki, Kohei Shinohara, Nontawat Charoenphakdee, Makoto Hiramatsu, Yuta Tsuboi, Yusuke Asano, Hirotaka Akita, Yong-Bin Zhuang, So Takamoto, Chikashi Shinagawa

Publié 2026-11-19
📖 7 min de lecture🧠 Analyse approfondie

Auteur original : Daiki Shintani, Shigeru Iwase, Jun Oshiki, Kohei Shinohara, Nontawat Charoenphakdee, Makoto Hiramatsu, Yuta Tsuboi, Yusuke Asano, Hirotaka Akita, Yong-Bin Zhuang, So Takamoto, Chikashi Shinagawa

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 l'auteur. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Dans le monde microscopique des atomes, les scientifiques s'appuient depuis longtemps sur un outil puissant mais lourd appelé la théorie de la fonctionnelle de la densité pour prédire comment la matière se comporte. Cette méthode calcule les interactions entre chaque atome d'un matériau avec une précision extrême, résolvant essentiellement les équations de la mécanique quantique qui régissent leur existence. Bien que cette approche produise des résultats qui correspondent aux expériences du monde réel, elle est si exigeante en termes de calcul qu'elle ne peut traiter que des systèmes contenant quelques milliers d'atomes pendant un bref instant. Pour étudier des structures plus grandes, comme un grain de métal ou une goutte d'eau, ou pour observer des processus se dérouler sur de plus longues périodes, les chercheurs avaient besoin d'un moyen plus rapide d'obtenir un niveau de précision presque identique. Ce besoin a donné naissance aux potentiels interatomiques par apprentissage automatique (machine learning), qui sont des modèles informatiques entraînés sur les données issues de ces calculs lourds. Une fois entraînés, ces modèles peuvent prédire comment les atomes se déplacent et interagissent à une vitesse des milliers de fois supérieure à la méthode originale, permettant aux scientifiques de simuler des systèmes comprenant des millions d'atomes et d'explorer de vastes nouveaux territoires de la science des matériaux.

Pendant des années, ces modèles d'apprentissage automatique étaient souvent spécialisés, conçus pour ne gérer que des types spécifiques de matériaux comme les molécules organiques ou les cristaux simples. Un bond significatif s'est produit avec le développement de Matlantis PFP, un modèle universel conçu pour traiter une grande variété de domaines — des cristaux solides aux molécules individuelles et aux couches de surface — avec un système unique et unifié. La dernière version de ce modèle, connue sous le nom de PFP v9, représente une expansion majeure de ses capacités. Les chercheurs de Preferred Networks et de Matlantis Corporation ont réussi à enseigner à ce modèle la compréhension d'une gamme beaucoup plus large du tableau périodique et d'arrangements physiques plus complexes. En nourrissant le modèle avec un nouvel ensemble massif de données calculées avec une méthode hautement précise appelée r2SCAN, ils lui ont permis de simuler des matériaux contenant des éléments de terres rares et des actinides lourds, qui étaient auparavant trop difficiles à modéliser avec cette approche spécifique. Ils ont également ajouté des données sur la façon dont les molécules adhèrent aux surfaces et dont les atomes s'agglutinent, comblant ainsi les lacunes qui limitaient l'utilité précédente du modèle.

Le cœur de cette avancée réside dans les données d'entraînement. Les chercheurs ont généré un nouvel ensemble de calculs de référence utilisant la fonctionnelle r2SCAN, une approche mathématique sophistiquée qui concorde très bien avec les résultats expérimentaux. Dans la version précédente du modèle, cet ensemble de données ne couvrait que 70 éléments et omettait des familles entières d'atomes, telles que les lanthanides, qui sont cruciaux pour des technologies comme les aimants et les batteries. Le nouveau travail a étendu cette couverture pour inclure un total de 96 éléments, ajoutant les lanthanides du praséodyme au lutetium et les éléments lourds du polonium au curium. Pour gérer ces atomes complexes, l'équipe a fait un choix technique spécifique concernant le traitement de leurs électrons internes. Pour les lanthanides, ils ont utilisé des potentiels « durs » qui permettent aux électrons f internes de participer aux liaisons, plutôt que de les maintenir enfermés dans un cœur gelé. Cette décision était nécessaire pour décrire avec précision le comportement de ces atomes dans différents environnements chimiques, une nuance qui était restée non résolue dans les versions antérieures.

Avec le modèle désormais entraîné sur cet ensemble de données élargi et plus diversifié, les chercheurs ont testé sa précision par rapport à des mesures réelles. Ils ont examiné les énergies de formation des cristaux contenant les nouveaux éléments pris en charge, ce qui est une mesure de la quantité d'énergie libérée ou absorbée lorsqu'un matériau se forme à partir de ses constituants. Les résultats ont montré que les prédictions du modèle pour ces nouveaux matériaux complexes étaient tout aussi précises que ses prédictions pour les éléments plus anciens et bien connus. La différence entre les calculs du modèle et les valeurs expérimentales était faible, s'élevant en moyenne à environ 93 millielectronvolts par atome, un chiffre presque identique au taux d'erreur pour les éléments précédemment pris en charge. Cela indique que le modèle a réussi à apprendre la physique de ces atomes difficiles à manipuler sans perdre sa précision.

L'équipe a également testé la capacité du modèle à prédire l'adsorption, qui est le processus par lequel les molécules adhèrent à une surface solide. Il s'agit d'une interaction critique dans des domaines comme la catalyse, où les surfaces sont utilisées pour accélérer les réactions chimiques. Ils ont comparé les prédictions du modèle sur la force avec laquelle diverses molécules se lient à des surfaces de métaux de transition par rapport à une base de données de mesures expérimentales. Le modèle a performé avec une erreur globale comparable à la méthode de la théorie de la fonctionnelle de la densité standard utilisée comme référence. Cependant, les chercheurs ont noté une tendance spécifique : le modèle surestimait légèrement la force de la liaison pour les molécules qui forment des liaisons chimiques fortes avec la surface, tandis qu'il sous-estimait la force de liaison pour celles maintenues par des forces plus faibles. Malgré cela, l'inclusion d'une correction de dispersion, qui rend compte des forces attractives faibles entre les atomes, a rapproché les prédictions de la réalité expérimentale pour les interactions plus faibles.

Au-delà de la précision, la vitesse pratique du modèle est une caractéristique définissante de ce travail. Les chercheurs ont comparé PFP v9 à un autre modèle public entraîné sur des données similaires, connu sous le nom de SevenNet-Omni, en faisant tourner les deux sur le même type de processeur graphique haute performance. Les résultats ont été frappants. Le nouveau modèle pouvait gérer des systèmes contenant cinq à dix fois plus d'atomes que le concurrent avant d'épuiser sa mémoire. De plus, lors du calcul des forces qui dirigent le mouvement atomique, le nouveau modèle était trois à quatre fois plus rapide. Pour un système d'eau liquide, par exemple, le modèle pouvait simuler un amas de près de 118 000 atomes, alors que l'autre modèle ne pouvait en gérer environ 12 000 avant d'atteindre une limite de mémoire. Ce bond d'efficacité signifie que les scientifiques peuvent désormais simuler des systèmes beaucoup plus grands et complexes, tels que des alliages de terres rares ou des composés d'actinides, avec une vitesse qui était auparavant impossible pour ce niveau de précision.

Les auteurs concluent que cette expansion fait du modèle un outil polyvalent pour un large éventail de défis scientifiques, de la conception de nouveaux matériaux pour le stockage de l'énergie à la compréhension du comportement des combustibles nucléaires. Cependant, ils sont clairs sur les limites de ce que le modèle peut actuellement faire. Bien qu'il excelle à décrire les atomes dans leurs états standards et sur des surfaces propres, il éprouve encore des difficultés avec certains scénarios complexes, tels que les matériaux présentant de fortes corrélations magnétiques ou les systèmes impliquant des charges électriques à longue portée. Le modèle ne prend pas encore en compte les effets des champs électriques ou le comportement des défauts chargés d'une manière qui permettrait de simuler des électrolytes ou des interfaces électrisées. Ce sont des domaines qui restent sujets à des développements futurs. Pour l'instant, ce travail constitue une étape importante, offrant un moyen fiable et rapide d'explorer les propriétés d'une vaste partie du tableau périodique qui était auparavant hors de portée des modèles d'apprentissage automatique universels.

Noyé(e) sous les articles dans votre domaine ?

Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.

Essayer Digest →