La tâche de classification magnétique semble soudainement plus facile grâce à l’apprentissage automatique

Connaître la structure magnétique des matériaux cristallins est essentiel pour de nombreuses applications, notamment le stockage de données, l’imagerie haute résolution, la spintronique, la supraconductivité et l’informatique quantique. Cependant, les informations de ce type sont difficiles à obtenir. Bien que des structures magnétiques puissent être obtenues à partir d’études de diffraction et de diffusion de neutrons, le nombre de machines pouvant prendre en charge ces analyses – et le temps disponible dans ces installations – est très limité.

En conséquence, les structures magnétiques de seulement environ 1 500 matériaux élaborés expérimentalement ont été tabulées à ce jour. Les chercheurs ont également prédit des structures magnétiques par des moyens numériques, mais de longs calculs sont nécessaires, même sur de grands supercalculateurs à la pointe de la technologie. De plus, ces calculs deviennent de plus en plus coûteux, les demandes de puissance augmentant de manière exponentielle, à mesure que la taille des structures cristallines considérées augmente.

Maintenant, des chercheurs du MIT, de l’Université de Harvard et de l’Université de Clemson – dirigés par Mingda Li, professeur adjoint de science et d’ingénierie nucléaires au MIT, et Tess Smidt, professeur adjoint au MIT de génie électrique et d’informatique – ont trouvé un moyen de rationaliser ce processus en en utilisant les outils de l’apprentissage automatique. « Cela pourrait être une approche plus rapide et moins chère », déclare Smidt.

Les résultats de l’équipe ont été récemment publiés dans la revue iScience. Une caractéristique inhabituelle de cet article, en dehors de ses nouvelles découvertes, est que ses premiers auteurs sont trois étudiants de premier cycle du MIT – Helena Merker, Harry Heiberger et Linh Nguyen – plus un doctorat. étudiant, Tongtong Liu.

Merker, Heiberger et Nguyen ont rejoint le projet en tant que premières années à l’automne 2020, et ils ont été confrontés à un défi de taille : concevoir un réseau neuronal capable de prédire la structure magnétique des matériaux cristallins. Cependant, ils ne sont pas partis de zéro, mais ont plutôt utilisé des « réseaux de neurones euclidiens équivariants » qui ont été co-inventés par Smidt en 2018. L’avantage de ce type de réseau, explique Smidt, « est que nous n’obtiendrons pas un autre prédiction de l’ordre magnétique si un cristal est tourné ou translaté, ce qui, nous le savons, ne devrait pas affecter les propriétés magnétiques. » Cette fonctionnalité est particulièrement utile pour examiner les matériaux 3D.

Les éléments de structure

Le groupe du MIT s’est appuyé sur une base de données de près de 150 000 substances compilées par le Materials Project du Lawrence Berkeley National Laboratory, qui a fourni des informations sur la disposition des atomes dans le réseau cristallin. L’équipe a utilisé cette entrée pour évaluer deux propriétés clés d’un matériau donné : l’ordre magnétique et la propagation magnétique.

Déterminer l’ordre magnétique implique de classer les matériaux en trois catégories : ferromagnétiques, antiferromagnétiques et non magnétiques. Les atomes d’un matériau ferromagnétique agissent comme de petits aimants avec leurs propres pôles nord et sud. Chaque atome a un moment magnétique, qui pointe de son pôle sud vers le pôle nord. Dans un matériau ferromagnétique, explique Liu, « tous les atomes sont alignés dans la même direction – la direction du champ magnétique combiné produit par chacun d’eux ». Dans un matériau antiferromagnétique, les moments magnétiques des atomes pointent dans une direction opposée à celle de leurs voisins, s’annulant mutuellement selon un schéma ordonné qui produit une magnétisation globale nulle. Dans un matériau non magnétique, tous les atomes pourraient être non magnétiques, n’ayant aucun moment magnétique. Ou le matériau pourrait contenir des atomes magnétiques, mais leurs moments magnétiques pointeraient dans des directions aléatoires de sorte que le résultat net, encore une fois, est un magnétisme nul.

Le concept de propagation magnétique concerne la périodicité de la structure magnétique d’un matériau. Si vous considérez un cristal comme un arrangement 3D de briques, une cellule unitaire est le plus petit bloc de construction possible – le plus petit nombre et la plus petite configuration d’atomes pouvant constituer une «brique» individuelle. Si les moments magnétiques de chaque cellule unitaire sont alignés, les chercheurs du MIT ont accordé au matériau une valeur de propagation de zéro. Cependant, si le moment magnétique change de direction, et donc « se propage », en se déplaçant d’une cellule à la suivante, le matériau reçoit une valeur de propagation non nulle.

Une solution réseau

Voilà pour les buts. Comment les outils d’apprentissage automatique peuvent-ils aider à les atteindre ? La première étape des étudiants a consisté à utiliser une partie de la base de données du projet Materials pour entraîner le réseau neuronal à trouver des corrélations entre la structure cristalline d’un matériau et sa structure magnétique. Les étudiants ont également appris – par des suppositions éclairées et des essais et erreurs – qu’ils obtenaient les meilleurs résultats lorsqu’ils incluaient non seulement des informations sur les positions du réseau des atomes, mais aussi le poids atomique, le rayon atomique, l’électronégativité (qui reflète la tendance d’un atome pour attirer un électron), et la polarisabilité dipolaire (qui indique à quelle distance l’électron se trouve du noyau de l’atome). Au cours du processus d’entraînement, un grand nombre de soi-disant « poids » sont affinés à plusieurs reprises.

« Un poids est comme le coefficient m dans l’équation y = mx + b », explique Heiberger. « Bien sûr, l’équation (ou l’algorithme) que nous utilisons est beaucoup plus désordonnée, avec non seulement un coefficient mais peut-être une centaine ; x, dans ce cas, est la donnée d’entrée, et vous choisissez m pour que y soit prédit le plus précisément . Et parfois, vous devez modifier l’équation elle-même pour obtenir un meilleur ajustement. »

Vient ensuite la phase de test. « Les poids sont conservés tels quels », explique Heiberger, « et vous comparez les prédictions que vous obtenez aux valeurs précédemment établies [also found in the Materials Project database]. »

Comme rapporté dans iScience, le modèle avait une précision moyenne d’environ 78 % et 74 %, respectivement, pour prédire l’ordre magnétique et la propagation. La précision pour prédire l’ordre des matériaux non magnétiques était de 91 %, même si le matériau contenait des atomes magnétiques.

Tracer la route à suivre

Les chercheurs du MIT pensent que cette approche pourrait être appliquée à de grosses molécules dont les structures atomiques sont difficiles à discerner et même à des alliages dépourvus de structures cristallines. « La stratégie consiste à prendre une cellule unitaire aussi grande – un échantillon aussi grand – que possible et à essayer de l’approcher comme un cristal quelque peu désordonné », explique Smidt.

Les travaux en cours, écrivent les auteurs, représentent une étape vers « la résolution du grand défi de la détermination complète de la structure magnétique ». La « structure complète » dans ce cas signifie déterminer « les moments magnétiques spécifiques de chaque atome, plutôt que le modèle global de l’ordre magnétique », explique Smidt.

« Nous avons les calculs en place pour entreprendre cela », ajoute Smidt, « bien qu’il y ait quelques détails délicats à régler. C’est un projet pour l’avenir, mais qui semble être à portée de main. »

Les étudiants de premier cycle ne participeront pas à cet effort, ayant déjà terminé leur travail dans cette entreprise. Néanmoins, ils ont tous apprécié l’expérience de recherche. « C’était formidable de poursuivre un projet en dehors de la salle de classe qui nous a donné la chance de créer quelque chose d’excitant qui n’existait pas auparavant », a déclaré Merker.

« Cette recherche, entièrement dirigée par des étudiants de premier cycle, a commencé en 2020 alors qu’ils étaient en première année… Ce travail montre comment nous pouvons étendre l’expérience d’apprentissage de première année pour inclure un véritable produit de recherche », ajoute Li. « Être en mesure de soutenir ce type d’expérience de collaboration et d’apprentissage est ce à quoi aspire chaque éducateur. C’est merveilleux de voir leur travail acharné et leur engagement se traduire par une contribution dans le domaine. »

« Ce fut vraiment une expérience qui a changé ma vie », reconnaît Nguyen. « Je pensais que ce serait amusant de combiner l’informatique avec le monde matériel. Cela s’est avéré être un très bon choix. »

Cette histoire est republiée avec l’aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l’actualité de la recherche, de l’innovation et de l’enseignement au MIT.