Résumé:
La prédiction de la propriété d’énergie des structures cristallines en utilisant
l’intelligence artificielle est un domaine de recherche significatif, à la fois pour la
science des matériaux et l’industrie. Cette étude multidisciplinaire améliore la
compréhension scientifique et présente des applications réelles, ce qui la rend
importante pour les chercheurs et les industries à la recherche de technologies plus
efficaces. Elle fournit des outils précis pour concevoir des matériaux aux propriétés sur
mesure, réduisant considérablement le temps d’exécution et les ressources coûteuses
nécessaires aux tests traditionnels. Ce travail explore des modèles d’intelligence
artificielle (apprentissage automatique et apprentissage profond) pour remplacer la
prédiction de l’énergie des structures cristallines en laboratoire. A cette fin, des
fonctions de distribution à deux et trois corps ont été utilisées pour transformer les
détails complexes et bruts des matériaux collectés en entrées lisibles par machine,
résultant en des descripteurs structurels et atomiques. Ensuite, des algorithmes
d’apprentis sage automatique/profond, à savoir ElasticNet, Bayesian ridge, forêt
d’arbre de décision, machine à vecteurs de support et réseaux de neurones profonds,
ont été utilisés pour modéliser la relation entre la propriété de l’énergie et les
descripteurs structurels. De plus, une topologie non conventionnelle de réseaux de
neurones profonds a été proposée et implémentée pour prendre en charge les
descripteurs atomiques. Un ajustement des hyperparamètres a été réalisé sur chaque
modèle à des fins d’optimisation. De plus, des métriques d’évaluation ont été utilisées
pour tester et évaluer la prédiction d’énergie obtenue par les modèles étudiés afin
d’identifier les descripteurs les plus robustes et le modèle le plus performant. Les
résultats de cette étude ont révélé que la prédiction d’énergie la plus précise a été
obtenue en utilisant la combinaison des fonctions de distribution atomique à deux et
trois corps en tant que descripteur, ainsi que le modèle de réseaux de neurones
profonds proposé.
