Utilisation de l’apprentissage automatique pour accélérer les simulations de particules de forme irrégulière

La simulation de particules est une tâche relativement simple lorsque ces particules sont sphériques. Dans le monde réel, cependant, la plupart des particules ne sont pas des sphères parfaites, mais prennent des formes et des tailles irrégulières et variables. La simulation de ces particules devient une tâche beaucoup plus difficile et chronophage.

La capacité de simuler des particules est essentielle pour comprendre leur comportement. Par exemple, les microplastiques constituent une nouvelle forme de pollution, car les déchets plastiques ont augmenté de manière drastique et se dégradent de manière incontrôlable dans l’environnement, soit par des moyens mécaniques, soit par dégradation par les UV. Ces minuscules particules se trouvent désormais presque partout dans le monde. Pour pouvoir remédier à cette crise environnementale, il est important de mieux comprendre ces particules et leur comportement.

Pour relever ce défi, des chercheurs de l’Université de l’Illinois à Urbana-Champaign ont entraîné des réseaux neuronaux à prédire les interactions entre particules de forme irrégulière afin d’accélérer les simulations de dynamique moléculaire. Grâce à cette méthode, les simulations peuvent être effectuées jusqu’à 23 fois plus rapidement que par les méthodes de simulation traditionnelles et peuvent être appliquées à toute forme irrégulière avec suffisamment de données d’entraînement.

Cette recherche, intitulée « Simulations de dynamique moléculaire de particules anisotropes accélérées par des interactions prédites par des réseaux neuronaux », est publiée dans Journal de physique chimique.

« Les microplastiques sont désormais présents partout dans l’environnement et la plupart d’entre eux ne sont pas des sphères, ils sont très hétérogènes et ont des coins et des bords. Pour résoudre le problème de leur comportement dans l’environnement, nous devons développer de nouvelles méthodes, trouver des moyens de les simuler plus rapidement, moins cher et plus efficacement », explique Antonia Statt, professeur de science et d’ingénierie des matériaux.

Les sphères sont faciles à simuler car le seul paramètre nécessaire pour déterminer la manière dont deux particules interagissent est la distance entre les centres des sphères. Pour passer d’une sphère à des formes plus complexes, comme des cubes ou des cylindres, il faut connaître non seulement la distance entre deux particules, mais aussi les angles et les positions relatives de chaque particule. La méthode traditionnelle de simulation des cubes, par exemple, consiste à construire le cube à partir de plusieurs petites sphères.

« C’est une façon très détournée de décrire un cube, de le mosaïquer avec de petites sphères », explique Statt. « C’est aussi coûteux car il faut calculer les interactions de toutes les petites sphères entre elles. Pour contourner cela, nous avons utilisé l’apprentissage automatique, un réseau neuronal à propagation directe, qui est une façon élégante de dire : “adaptons-nous à une fonction compliquée que nous ne connaissons pas”. Et les réseaux neuronaux sont vraiment efficaces pour cela. Si vous leur fournissez suffisamment de données, ils peuvent s’adapter à tout ce que vous voulez. »

Avec cette méthode, il n’est pas nécessaire de calculer individuellement toutes les distances entre les petites sphères. Seule la distance centre à centre du cube et son orientation relative sont nécessaires, ce qui rend le calcul beaucoup plus facile et plus rapide. De plus, cette méthode est aussi précise que les méthodes traditionnelles. Elle ne peut pas être plus précise puisqu’elle est formée à partir de données produites à partir de méthodes traditionnelles, mais elle peut être plus efficace.

A l’avenir, Statt aimerait pouvoir simuler des formes irrégulières plus complexes ainsi que des mélanges de formes différentes, comme un cube et un cylindre, plutôt que deux cubes. « Nous devrons apprendre toutes les interactions individuelles, mais la méthode est suffisamment générale pour que nous puissions le faire », dit-elle.

Parmi les autres contributeurs à ce travail figurent B. Ruşen Argun (département de génie mécanique, Illinois) et Yu Fu (département de physique, Illinois).