Construction massivement parallèle de modèles mésoscopiques partants des simulations atomiques : stratégies d'auto-optimisation guidée par l'incertitude pour les matériaux cristallins complexes – MeMoPAS

Les simulations atomiques utilisant des champs de force interatomiques à courte portée peuvent être parallélisées dans l'espace mais pas dans le temps, limitant ainsi les échelles de temps des trajectoires à quelques microsecondes, quel que soit le nombre de processeurs disponibles. L'évolution matérielle étant régulièrement contrôlée par des événements rares qui sont activés sur des échelles de temps de millisecondes à plusieurs années, il est donc essentiel d'encoder les simulations atomistiques dans des modèles à moyenne échelle (le processus de grainage grossier) pour permettre l'accès aux échelles de temps et de longueur importantes pour la science des matériaux. Les erreurs dans ce processus proviennent de deux sources principales.

Premièrement, le grainage grossier a priori ou basé sur l'intuition peut avoir des hypothèses potentiellement désastreuses sur les processus atomistiques sous-jacents possibles. En conséquence, les modèles à à moyennes échelles produit est fondamentalement incapable de capturer le comportement du véritable système atomistique, ce qui signifie qu'une approche plus agnostique doit être développée.
Deuxièmement, les champs de force d'électrons implicites sont toujours des modèles des forces de Hellman-Feynman à l'origine de la dynamique de Born-Oppenheimer. Alors que les formes empiriques traditionnelles sont capables de capturer avec précision certaines régions du paysage énergétique d’un matériau, le développement du champ de force est en train d’être révolutionné par les techniques de régression non linéaire de l’apprentissage automatique, qui sont de plus en plus capables d’une précision ab initio. Néanmoins, une telle précision ne peut être atteinte que si la base de données d'apprentissage des configurations auxquelles la régression est appliquée est suffisamment diversifiée et pertinente pour le problème étudié.

Pour résoudre ces problèmes à la pétascale et à l’exascale, la quantification autonome de l’incertitude revêt une importance capitale. Ce programme de recherche développera des estimateurs Bayésiens de la complétude de l'échantillonnage atomistique afin d'optimiser la construction automatisée et massivement parallèle de modèles à moyenne échelle. Les mécanismes découverts et les quantificateurs d'incertitude seront également utilisés pour améliorer la paramétrisation du champ de force dans les régions cinétiquement importantes de l'espace de configuration. L’objectif est un schéma de grainage grossier autonome, efficace à l’exascale et conscient des incertitudes, qui donne un aperçu quantitatif des mécanismes complexes de l’évolution des matériaux.