L’IA utilisée pour identifier les aimants bidimensionnels de van der Waals

Rhone se spécialise dans l’exploitation de l’informatique des matériaux pour découvrir de nouveaux matériaux aux propriétés inattendues qui font progresser la science et la technologie. L’informatique des matériaux est un domaine d’étude émergent à l’intersection de l’IA et de la science des matériaux. Les dernières recherches de son équipe ont récemment fait la couverture de Théorie avancée et simulations.

Les matériaux 2D, qui peuvent être aussi fins qu’un seul atome, n’ont été découverts qu’en 2004 et font l’objet d’une grande curiosité scientifique en raison de leurs propriétés inattendues. Les aimants 2D sont importants car leur ordre magnétique à longue portée persiste lorsqu’ils sont amincis à une ou quelques couches. Ceci est dû à l’anisotropie magnétique. L’interaction avec cette anisotropie magnétique et cette faible dimensionnalité pourrait donner lieu à des degrés de liberté de spin exotiques, tels que des textures de spin pouvant être utilisées dans le développement d’architectures informatiques quantiques. Les aimants 2D couvrent également toute la gamme des propriétés électroniques et peuvent être utilisés dans des appareils hautes performances et économes en énergie.

Rhone et son équipe ont combiné des calculs de théorie fonctionnelle de la densité à haut débit (DFT) pour déterminer les propriétés des matériaux vdW, avec l’IA pour mettre en œuvre une forme d’apprentissage automatique appelée apprentissage semi-supervisé. L’apprentissage semi-supervisé utilise une combinaison de données étiquetées et non étiquetées pour identifier des modèles dans les données et faire des prédictions. L’apprentissage semi-supervisé atténue un défi majeur de l’apprentissage automatique : la rareté des données étiquetées.

“L’utilisation de l’IA permet d’économiser du temps et de l’argent”, a déclaré Rhone. “Le processus typique de découverte des matériaux nécessite des simulations coûteuses sur un superordinateur qui peuvent prendre des mois. Les expériences en laboratoire peuvent prendre encore plus de temps et peuvent être plus coûteuses. Une approche d’IA a le potentiel d’accélérer le processus de découverte des matériaux.”

À l’aide d’un sous-ensemble initial de 700 calculs DFT sur un supercalculateur, un modèle d’IA a été formé pour prédire les propriétés de plusieurs milliers de matériaux candidats en quelques millisecondes sur un ordinateur portable. L’équipe a ensuite identifié des matériaux vdW candidats prometteurs avec de grands moments magnétiques et une faible énergie de formation. Une faible énergie de formation est un indicateur de stabilité chimique, qui est une exigence importante pour la synthèse du matériau en laboratoire et les applications industrielles ultérieures.

“Notre cadre peut également être facilement appliqué pour explorer des matériaux avec différentes structures cristallines”, a déclaré Rhone. “Les prototypes de structure cristalline mixte, tels qu’un ensemble de données d’halogénures de métaux de transition et de trichalcogénures de métaux de transition, peuvent également être explorés avec ce cadre.”

« L’application de l’IA par le Dr Rhone au domaine de la science des matériaux continue de produire des résultats passionnants », a déclaré Curt Breneman, doyen de la Rensselaer’s School of Science. “Il a non seulement accéléré notre compréhension des matériaux 2D qui ont de nouvelles propriétés, mais ses découvertes et méthodes sont susceptibles de contribuer aux nouvelles technologies d’informatique quantique.”

Rhone a été rejoint dans la recherche par Romakanta Bhattarai et Haralambos Gavras de Renselaer ; Bethany Lusch et Misha Salim du Laboratoire national d’Argonne ; Marios Mattheakis, Daniel T. Larson et Efthimios Kaxiras de l’Université de Harvard ; et Yoshiharu Krockenberger des laboratoires de recherche fondamentale NTT.