Les matériaux topologiques, une classe exotique de matériaux dont les surfaces présentent des propriétés électriques ou fonctionnelles différentes de celles de leurs intérieurs, sont un domaine de recherche brûlant depuis leur réalisation expérimentale en 2007, une découverte qui a déclenché de nouvelles recherches et précipité un prix Nobel de physique en 2016. On pense que ces matériaux ont un grand potentiel dans une variété de domaines et pourraient un jour être utilisés dans des dispositifs électroniques ou optiques ultra-efficaces, ou des composants clés d’ordinateurs quantiques.
Mais il existe plusieurs milliers de composés qui peuvent théoriquement avoir des caractéristiques topologiques, et synthétiser et tester ne serait-ce qu’un seul de ces matériaux pour déterminer ses propriétés topologiques peut prendre des mois d’expériences et d’analyses. Aujourd’hui, une équipe de chercheurs du MIT et d’ailleurs a mis au point une nouvelle approche qui peut rapidement filtrer les matériaux candidats et déterminer avec une précision de plus de 90 % s’ils sont topologiques.
Grâce à cette nouvelle méthode, les chercheurs ont produit une liste de matériaux candidats. Quelques-uns d’entre eux étaient déjà connus pour avoir des propriétés topologiques, mais les autres sont nouvellement prédits par cette approche.
Les résultats sont rapportés dans la revue Matériaux avancés dans un article de Mingda Li, professeure en développement de carrière de la classe 47 au MIT, des étudiantes diplômées (et sœurs jumelles) Nina Andrejevic au MIT et Jovana Andrejevic à l’Université de Harvard, et sept autres au MIT, à Harvard, à l’Université de Princeton et au Laboratoire national d’Argonne .
Les matériaux topologiques portent le nom d’une branche des mathématiques qui décrit les formes en fonction de leurs caractéristiques invariantes, qui persistent, peu importe à quel point un objet est continuellement étiré ou pressé hors de sa forme d’origine. Les matériaux topologiques, de même, ont des propriétés qui restent constantes malgré les changements de leurs conditions, telles que les perturbations externes ou les impuretés.
Il existe plusieurs variétés de matériaux topologiques, notamment les semi-conducteurs, les conducteurs et les semi-métaux, entre autres. Au départ, on pensait qu’il n’y avait qu’une poignée de ces matériaux, mais la théorie et les calculs récents ont prédit qu’en fait des milliers de composés différents pourraient avoir au moins certaines caractéristiques topologiques. La partie la plus difficile consiste à déterminer expérimentalement quels composés peuvent être topologiques.
Les applications de ces matériaux couvrent un large éventail, y compris des dispositifs qui pourraient effectuer des fonctions de calcul et de stockage de données de la même manière que les dispositifs à base de silicium mais avec beaucoup moins de perte d’énergie, ou des dispositifs pour récupérer efficacement l’électricité à partir de la chaleur perdue, par exemple dans les centrales thermiques ou dans appareils électroniques. Les matériaux topologiques peuvent également avoir des propriétés supraconductrices, qui pourraient potentiellement être utilisées pour construire les bits quantiques des ordinateurs quantiques topologiques.
Mais tout cela repose sur le développement ou la découverte des bons matériaux. « Pour étudier un matériau topologique, vous devez d’abord confirmer si le matériau est topologique ou non », explique Li, « et cette partie est un problème difficile à résoudre de manière traditionnelle ».
Une méthode appelée théorie de la fonctionnelle de la densité est utilisée pour effectuer les calculs initiaux, qui doivent ensuite être suivis d’expériences complexes qui nécessitent de cliver un morceau du matériau à la planéité au niveau atomique et de le sonder avec des instruments dans des conditions de vide poussé.
« La plupart des matériaux ne peuvent même pas être mesurés en raison de diverses difficultés techniques », explique Nina Andrejevic. Mais pour ceux qui le peuvent, le processus peut prendre beaucoup de temps. « C’est une procédure vraiment laborieuse », dit-elle.
Alors que l’approche traditionnelle repose sur la mesure des photoémissions ou des électrons tunnel du matériau, explique Li, la nouvelle technique que lui et son équipe ont développée repose sur l’absorption, en particulier la manière dont le matériau absorbe les rayons X.
Contrairement aux appareils coûteux nécessaires pour les tests conventionnels, les spectromètres d’absorption de rayons X sont facilement disponibles et peuvent fonctionner à température ambiante et à pression atmosphérique, sans besoin de vide. De telles mesures sont largement menées en biologie, en chimie, en recherche sur les batteries et dans de nombreuses autres applications, mais elles n’avaient pas été appliquées auparavant à l’identification de matériaux quantiques topologiques.
La spectroscopie d’absorption des rayons X fournit des données spectrales caractéristiques d’un échantillon de matériau donné. Le prochain défi consiste à interpréter ces données et leur relation avec les propriétés topologiques. Pour cela, l’équipe s’est tournée vers un modèle d’apprentissage automatique, alimentant une collection de données sur les spectres d’absorption des rayons X de matériaux topologiques et non topologiques connus, et formant le modèle pour trouver les modèles qui relient les deux. Et il a effectivement trouvé de telles corrélations.
« Étonnamment, cette approche était précise à plus de 90 % lorsqu’elle a été testée sur plus de 1500 matériaux connus », déclare Nina Andrejevic, ajoutant que les prédictions ne prennent que quelques secondes. « C’est un résultat passionnant compte tenu de la complexité du processus conventionnel. »
Bien que le modèle fonctionne, comme pour de nombreux résultats de l’apprentissage automatique, les chercheurs ne savent pas encore exactement pourquoi il fonctionne ou quel est le mécanisme sous-jacent qui relie l’absorption des rayons X aux propriétés topologiques.
« Bien que la fonction apprise reliant les spectres de rayons X à la topologie soit complexe, le résultat peut suggérer que certains attributs auxquels la mesure est sensible, tels que les structures atomiques locales, sont des indicateurs topologiques clés », déclare Jovana Andrejevic.
L’équipe a utilisé le modèle pour construire un tableau périodique qui affiche la précision globale du modèle sur les composés fabriqués à partir de chacun des éléments. Il sert d’outil pour aider les chercheurs à se concentrer sur les familles de composés qui peuvent offrir les bonnes caractéristiques pour une application donnée.
Les chercheurs ont également produit une étude préliminaire des composés sur lesquels ils ont utilisé cette méthode aux rayons X, sans connaissance préalable de leur statut topologique, et ont compilé une liste de 100 matériaux candidats prometteurs, dont certains étaient déjà connus pour être topologiques.
« Ce travail représente l’une des premières utilisations de l’apprentissage automatique pour comprendre ce que les expériences tentent de nous dire sur les matériaux complexes », déclare Joel Moore, professeur Chern-Simons de physique à l’Université de Californie à Berkeley, qui n’était pas associé à cette recherche.
« De nombreux types de matériaux topologiques sont théoriquement bien compris, mais trouver des matériaux candidats et vérifier qu’ils ont la bonne topologie de leurs bandes peut être un défi. L’apprentissage automatique semble offrir une nouvelle façon de relever ce défi : même les données expérimentales dont la signification n’est pas immédiatement évidente pour un humain peut être analysée par l’algorithme, et je suis ravi de voir quels nouveaux matériaux résulteront de cette façon de regarder. »
Anatoly Frenkel, professeur au Département de science des matériaux et de génie chimique de l’Université de Stony Brook et chimiste principal au Laboratoire national de Brookhaven, a ajouté que « c’était une très bonne idée de considérer que le spectre d’absorption des rayons X peut détenir une clé au caractère topologique de l’échantillon mesuré. »
Nina Andrejevic et al, Indicateurs spectraux d’apprentissage automatique de la topologie, Matériaux avancés (2022). DOI : 10.1002/adma.202204113
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.