Pourquoi le verre est-il rigide ? Des signes de sa structure secrète apparaissent.

Au niveau moléculaire, le verre ressemble à un liquide. Mais un réseau neuronal artificiel a repéré dans ses molécules une structure cachée qui pourrait expliquer pourquoi le verre est rigide comme un solide, explique Quantamagazine.

La plupart des matériaux tirent leurs propriétés macroscopiques de leur structure microscopique. Une tige d’acier est dure, par exemple, parce que ses atomes forment un motif cristallin répétitif qui reste statique dans le temps. L’eau se divise autour de votre pied lorsque vous le plongez dans un lac, car les fluides n’ont pas cette structure ; leurs molécules se déplacent au hasard.

Et puis il y a le verre, une étrange substance intermédiaire qui intrigue les physiciens depuis des décennies. Prenez un instantané des molécules du verre, et elles vous sembleront désordonnées comme celles d’un liquide. Mais la plupart des molécules bougent à peine, ce qui rend le matériau rigide comme un solide.

Le verre est formé par le refroidissement de certains liquides. Mais pourquoi les molécules du liquide ralentissent-elles si fortement à une certaine température, sans changement correspondant évident dans leur arrangement structurel – un phénomène connu sous le nom de transition vitreuse – est une question ouverte majeure.

Les chercheurs de DeepMind, une société d’intelligence artificielle appartenant à Google, ont utilisé l’IA pour étudier ce qui arrive aux molécules du verre lorsqu’il durcit. Le réseau de neurones artificiels de DeepMind a été capable de prédire comment les molécules se déplacent sur des échelles de temps extrêmement longues, en utilisant seulement un « instantané » de leur arrangement physique à un moment donné. Selon Victor Bapst de DeepMind, même si la structure microscopique d’un verre semble dépourvue de caractéristiques, « la structure est peut-être plus prédictive de la dynamique que les gens ne le pensaient ».

Peter Harrowell, qui étudie la transition vitreuse à l’université de Sydney, est du même avis. Il a déclaré que le nouveau travail « présente un argument plus solide » que jamais auparavant, à savoir que dans le verre, « la structure code d’une certaine manière pour la dynamique », et que le verre n’est donc pas aussi désordonné qu’un liquide après tout.

Prévoir la propension

Pour comprendre quels changements microscopiques provoquent la transition vitreuse, les physiciens doivent mettre en relation deux types de données : comment les molécules d’un verre sont disposées dans l’espace, et comment elles se déplacent (lentement) dans le temps. Une façon de les relier est d’utiliser une quantité appelée propension dynamique : combien un ensemble de molécules est susceptible d’avoir bougé à un moment donné dans le futur, compte tenu de leur position actuelle. Cette quantité évolutive provient du calcul des trajectoires des molécules à l’aide des lois de Newton, en commençant par de nombreuses vitesses initiales aléatoires différentes, puis en faisant la moyenne des résultats obtenus.

En simulant ces dynamiques moléculaires, les ordinateurs peuvent générer des « cartes de propension » pour des milliers de molécules de verre – mais seulement sur des échelles de temps de trillionièmes de seconde. Et les molécules de verre, par définition, se déplacent extrêmement lentement. Calculer leur propension à un horizon de quelques secondes ou plus est « tout simplement impossible [pour] les ordinateurs normaux car cela prend trop de temps », a déclaré Giulio Biroli, physicien de la matière condensée à l’École normale supérieure en France.

De plus, selon M. Biroli, le simple fait de tourner la manivelle de ces simulations ne permet pas aux physiciens de savoir quelles caractéristiques structurelles, le cas échéant, pourraient être à l’origine des propensions moléculaires dans le verre.

Les chercheurs de DeepMind ont donc entrepris de former un système d’IA pour prédire les propensions dans le verre sans avoir à effectuer les simulations, et pour essayer de comprendre d’où viennent ces propensions. Ils ont utilisé un type spécial de réseau neuronal artificiel qui utilise des graphes – des collections de nœuds reliés par des lignes – comme entrée. Chaque nœud du graphe représente la position tridimensionnelle d’une molécule dans le verre ; les lignes entre les nœuds représentent la distance qui sépare les molécules les unes des autres. Comme les réseaux neuronaux « apprennent » en modifiant leur propre structure pour refléter la structure de leurs entrées, « le réseau neuronal du graphe est très bien adapté pour représenter l’interaction des particules », a déclaré M. Bapst.

Bapst et ses collègues ont d’abord utilisé les résultats des simulations pour entraîner leur système d’IA : Ils ont créé un cube de verre virtuel comprenant 4 096 molécules, simulé l’évolution des molécules sur la base de 400 positions de départ uniques à différentes températures, et calculé les propensions des particules dans chaque cas. Après avoir entraîné le réseau de neurones à prédire avec précision ces propensions, les chercheurs ont ensuite introduit dans le réseau formé 400 configurations de particules inédites – des « instantanés » des configurations des molécules de verre.

En utilisant uniquement ces instantanés structurels, le réseau de neurones a prédit les propensions des molécules à différentes températures avec une précision sans précédent, atteignant 463 fois plus loin dans le futur que la méthode de prédiction par apprentissage machine de pointe précédente.

Indices corrélés

Selon M. Biroli, la capacité du réseau neuronal DeepMind à prédire les mouvements futurs des molécules à partir d’un simple cliché de leur structure actuelle offre un nouveau moyen puissant d’explorer la dynamique des verres, et potentiellement d’autres matériaux également.

Mais quel modèle le réseau a-t-il détecté dans ces instantanés pour faire ses prédictions ? Le système ne peut pas être facilement rétroconçu pour déterminer ce à quoi il a appris à prêter attention pendant la formation – un problème courant pour les chercheurs qui essaient d’utiliser l’IA pour faire de la science. Mais dans ce cas, ils ont trouvé quelques indices.

Selon Agnieszka Grabska-Barwinska, membre de l’équipe, le réseau neuronal de graphes a appris à coder un modèle que les physiciens appellent longueur de corrélation. En d’autres termes, lorsque le réseau neuronal de graphes de DeepMind s’est restructuré pour refléter les données d’entraînement, il en est venu à présenter la tendance suivante : Lors de la prédiction des propensions à des températures plus élevées (où le mouvement moléculaire semble plus liquide que solide), pour la prédiction de chaque nœud, le réseau dépendait des informations des nœuds voisins à deux ou trois connexions de distance dans le graphe. Mais à des températures plus basses, plus proches de la transition vitreuse, ce nombre – la longueur de la corrélation – est passé à cinq.

« Nous voyons que le réseau extrait, à mesure que nous abaissons la température, des informations provenant de quartiers de plus en plus grands » des particules, a déclaré Thomas Keck, un physicien de l’équipe DeepMind. « À ces différentes températures, le verre semble, à l’œil nu, tout simplement identique. Mais le réseau voit quelque chose de différent à mesure que nous descendons ».

L’augmentation de la longueur de corrélation est une caractéristique des transitions de phase, dans lesquelles les particules passent d’un arrangement désordonné à un arrangement ordonné ou vice versa. Cela se produit, par exemple, lorsque les atomes d’un bloc de fer s’alignent collectivement de sorte que le bloc devient magnétisé. À mesure que le bloc s’approche de cette transition, chaque atome influence des atomes de plus en plus éloignés dans le bloc.

Relié :

Pour les physiciens comme Biroli, la capacité du réseau neuronal à connaître la longueur de la corrélation et à la prendre en compte dans ses prédictions suggère qu’un ordre caché doit se développer dans la structure du verre pendant la transition vitreuse. Peter Wolynes, expert en verre à l’université de Rice, a déclaré que la longueur de corrélation apprise par la machine fournit la preuve que les matériaux « s’approchent d’une transition de phase thermodynamique » lorsqu’ils deviennent vitreux.

Cependant, les connaissances acquises par le réseau de neurones ne se traduisent pas facilement en nouvelles équations. Nous ne pouvons pas dire : « Oh, en fait, notre réseau étudie cette corrélation pour laquelle je peux vous donner une formule », a déclaré Pushmeet Kohli, qui dirige l’équipe scientifique de DeepMind. Pour certains physiciens du verre, cette mise en garde limite l’utilité du réseau neuronal des graphes. « Cela peut-il s’expliquer en termes humains ? » a déclaré Wolynes. « Ce qu’ils n’ont pas fait. Cela ne veut pas dire qu’ils ne peuvent pas le faire à l’avenir. »

Via Quantamagazine.

Laisser un commentaire

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.