Dans une simulation de la façon dont l’eau gèle, l’intelligence artificielle brise la glace – ScienceDaily

Une équipe de l’Université de Princeton a simulé avec précision les premières étapes de la formation de la glace, en appliquant l’intelligence artificielle (IA) pour résoudre les équations qui régissent le comportement quantique des atomes et des molécules individuels.

La simulation qui en résulte décrit comment les molécules d’eau se transforment en glace solide avec une précision quantique. Ce niveau de précision, autrefois considéré comme irréalisable en raison de la quantité de puissance de calcul qu’il nécessiterait, est devenu possible lorsque les chercheurs ont intégré des réseaux de neurones profonds, une forme d’intelligence artificielle, dans leurs méthodes. L’étude a été publiée dans la revue Actes de l’Académie nationale des sciences.

“À certains égards, c’est comme un rêve devenu réalité”, a déclaré Roberto Car, professeur Ralph W de Princeton. . “Notre espoir était que nous puissions éventuellement étudier des systèmes comme celui-ci, mais ce n’était pas possible sans un développement conceptuel supplémentaire, et ce développement est venu dans un domaine complètement différent, celui de l’intelligence artificielle et de la science des données.”

La capacité de modéliser les étapes initiales de la congélation de l’eau, un processus appelé nucléation de la glace, peut améliorer la précision de la modélisation climatique et météorologique, ainsi que d’autres traitements, tels que la congélation instantanée des aliments.

La nouvelle approche permet aux chercheurs de suivre l’activité de centaines de milliers d’atomes sur des périodes de temps des milliers de fois plus longues, bien que toujours seulement des fractions de seconde, que dans les premières études.

Car a co-inventé l’approche consistant à utiliser les lois sous-jacentes de la mécanique quantique pour prédire les mouvements physiques des atomes et des molécules. Les lois de la mécanique quantique dictent comment les atomes se lient pour former des molécules et comment les molécules se lient pour former des objets du quotidien.

Car et Michele Parrinello, physicien maintenant à l’Istituto Italiano di Tecnologia en Italie, ont publié leur approche, connue sous le nom de dynamique moléculaire “ab initio” (latin pour “depuis le début”), dans un article révolutionnaire en 1985.

Mais les calculs de mécanique quantique sont complexes et nécessitent d’énormes quantités de puissance de calcul. Dans les années 1980, les ordinateurs ne pouvaient simuler qu’une centaine d’atomes à des intervalles de quelques billionièmes de seconde. Les progrès ultérieurs de l’informatique et l’avènement des superordinateurs modernes ont augmenté le nombre d’atomes et la durée de la simulation, mais le résultat était bien en deçà du nombre d’atomes nécessaires pour observer des processus complexes tels que la nucléation de la glace.

L’IA a fourni une solution potentielle intéressante. Les chercheurs forment un réseau de neurones, nommé pour ses similitudes avec le fonctionnement du cerveau humain, pour reconnaître un nombre relativement restreint de calculs quantiques sélectionnés. Une fois formé, le réseau de neurones peut calculer des forces entre les atomes qu’il n’a jamais vues auparavant avec une précision mécanique quantique. Cette approche “d’apprentissage automatique” est déjà utilisée dans des applications quotidiennes telles que la reconnaissance vocale et les voitures autonomes.

Dans le cas de l’IA appliquée à la modélisation moléculaire, une contribution majeure est intervenue en 2018 lorsque Linfeng Zhang, étudiant diplômé de Princeton, en collaboration avec le professeur de mathématiques Car et Princeton Weinan E, a trouvé un moyen d’appliquer des réseaux de neurones profonds pour modéliser les forces interatomiques de la mécanique quantique. Zhang, qui a obtenu son doctorat. en 2020 et est maintenant chercheur scientifique à l’Institut de recherche sur les mégadonnées de Pékin, appelé l’approche “dynamique moléculaire du potentiel profond”.

Dans le présent article, Car et le chercheur postdoctoral Pablo Piaggi, ainsi que des collègues, ont appliqué ces techniques au défi de simuler la nucléation de la glace. En utilisant la dynamique moléculaire à potentiel profond, ils ont pu exécuter des simulations de jusqu’à 300 000 atomes en utilisant beaucoup moins de puissance de calcul, pendant des périodes de temps beaucoup plus longues qu’auparavant. Ils ont effectué les simulations sur Summit, l’un des superordinateurs les plus rapides au monde, situé au laboratoire national d’Oak Ridge.

Ce travail fournit l’une des meilleures études sur la nucléation de la glace, a déclaré Pablo Debenedetti, doyen de la recherche à Princeton et professeur de la classe d’ingénierie et de sciences appliquées des années 1950, et co-auteur de la nouvelle étude.

“La nucléation de la glace est l’une des principales quantités inconnues dans les modèles de prévision météorologique”, a déclaré Debenedetti. “C’est une étape très importante car nous constatons un très bon accord avec les expériences. Nous avons pu simuler de très grands systèmes, ce qui était auparavant impensable pour les calculs quantiques.”

Les modèles climatiques dérivent actuellement des estimations de la vitesse de nucléation de la glace principalement à partir d’observations faites dans des expériences de laboratoire, mais ces corrélations sont descriptives, non prédictives et valides sur une gamme limitée de conditions expérimentales. En revanche, les simulations moléculaires du type effectué dans cette étude peuvent produire des simulations prédictives de situations futures et peuvent estimer la formation de glace dans des conditions extrêmes de température et de pression, comme sur d’autres planètes.

“La méthodologie de potentiel profond utilisée dans notre étude aidera à réaliser la promesse de la dynamique moléculaire ab initio pour produire des prédictions précieuses de phénomènes complexes tels que les réactions chimiques et la conception de nouveaux matériaux”, a déclaré Athanassios Panagiotopoulos, professeur de chimie à Susan Dod Brown. et génie biologique et co-auteur de l’étude.

“Le fait que nous étudions des phénomènes très complexes à partir des lois fondamentales de la nature, pour moi, est très excitant”, a déclaré Piaggi, premier auteur de l’étude et associé de recherche postdoctoral en chimie à Princeton. Piaggi a obtenu son doctorat. travailler avec Parrinello sur le développement de nouvelles techniques pour étudier des événements rares, tels que la nucléation, en utilisant la simulation informatique. Des événements rares se produisent sur des échelles de temps plus longues que les temps de simulation qui peuvent être proposés même avec l’aide de l’IA, et des techniques spécialisées sont nécessaires pour les accélérer.

Jack Weis, un étudiant diplômé en génie chimique et biologique, a contribué à augmenter la probabilité d’observer la nucléation en « ensemençant » de minuscules cristaux de glace dans la simulation. “Le but de l’ensemencement est d’augmenter la probabilité que l’eau forme des cristaux de glace pendant la simulation, ce qui nous permet de mesurer le taux de nucléation”, a déclaré Weis, conseillé par Debenedetti et Panagiotopoulos.

Les molécules d’eau sont constituées de deux atomes d’hydrogène et d’un atome d’oxygène. Les électrons autour de chaque atome déterminent comment les atomes peuvent se lier pour former des molécules.

“Nous avons commencé avec l’équation qui décrit le comportement des électrons”, a déclaré Piaggi. “Les électrons déterminent comment les atomes interagissent, comment ils forment des liaisons chimiques et à peu près toute la chimie.”

Les atomes peuvent exister littéralement dans des millions d’arrangements différents, a déclaré Car, directeur du Center for Solution Chemistry and Interfaces, financé par le Département américain de l’énergie, l’Office of Science et des universités régionales.

“La magie est que, grâce à certains principes physiques, la machine est capable d’extrapoler ce qui se passe dans un nombre relativement restreint de configurations d’une petite collection d’atomes à la myriade d’arrangements d’un système beaucoup plus grand”, a déclaré Car.

Alors que les approches d’IA sont disponibles depuis quelques années, les chercheurs ont été prudents quant à leur application aux calculs de systèmes physiques, a déclaré Piaggi. “Lorsque les algorithmes d’apprentissage automatique ont commencé à devenir populaires, une grande partie de la communauté scientifique était sceptique, car ces algorithmes sont une boîte noire. Les algorithmes d’apprentissage automatique ne connaissent rien à la physique, alors pourquoi les utiliserions-nous ?”

Au cours des deux dernières années, cependant, il y a eu un changement significatif dans cette attitude, a déclaré Piaggi, non seulement parce que les algorithmes fonctionnent, mais aussi parce que les chercheurs utilisent leurs connaissances en physique pour informer les modèles d’apprentissage automatique.

Pour Car, il est gratifiant de voir le travail commencé il y a trois décennies se concrétiser. “Le développement est venu de quelque chose qui a été développé dans un domaine différent, celui de la science des données et des mathématiques appliquées”, a déclaré Car. “Avoir ce genre d’interaction croisée entre différents domaines est très important.”

Ce travail a été soutenu par le département américain de l’énergie (subvention DE-731 SC0019394) et a utilisé les ressources de l’Oak Ridge Leadership Computing Facility (subvention DE-AC05-00OR22725) au laboratoire national d’Oak Ridge. Les simulations ont été essentiellement réalisées à l’aide des ressources de Princeton Research Computing à l’Université de Princeton. Pablo Piaggi a été soutenu par une bourse Early Postdoc.Mobility du Fonds national suisse de la recherche scientifique.

Leave a Comment

Your email address will not be published.