Le Laboratoire d'Intelligence Artificielle de Shanghai a annoncé le 13 mai que, s'appuyant sur le déploiement global du projet spécial national majeur de science et technologie pour la nouvelle génération d'intelligence artificielle 2030, le Laboratoire d'Intelligence Artificielle de Shanghai, en collaboration avec le Laboratoire National de Suzhou, l'Université Tsinghua et d'autres partenaires, a réussi à réaliser la préparation contrôlable de graphite monocristallin de haute qualité de taille centimétrique et d'une épaisseur supérieure à 200 micromètres.

Fondation des données : une base de données de calcul de matériaux à l'échelle du milliard soutient l'entraînement

Selon les informations, la condition préalable essentielle à la R&D de matériaux assistée par l'intelligence artificielle est le soutien de données de haute qualité. Afin de réaliser la préparation précise de graphite monocristallin, l'équipe conjointe a construit une base de données de calcul de matériaux à l'échelle du milliard destinée à l'entraînement des potentiels atomiques par apprentissage automatique. Cette base de données surpasse significativement les bases de données précédentes à petite échelle en termes d'exhaustivité, de précision et de couverture des données, surmontant efficacement les limitations antérieures liées à la dépendance à des données open source à petite échelle ou à des bases de données génériques, et posant ainsi une base solide pour le développement ultérieur de modèles d'IA de haute précision.

Cette base de données couvre principalement les données de calcul de haute qualité nécessaires à l'entraînement des potentiels d'apprentissage automatique pour le système nickel-carbone, comprenant des clusters de nickel de différentes tailles, des structures en phase massive, des structures de surface, ainsi que des configurations composites formées par ces structures de nickel avec divers types de carbone (atomes de carbone, chaînes carbonées, cycles carbonés, graphène, graphite, etc.) à différentes températures. Elle fournit un soutien à la fois étendu et fiable pour l'entraînement de potentiels d'apprentissage automatique de haute précision, et établit une base solide pour le développement de modèles d'IA pour les surfaces et interfaces des matériaux.

Pilotage par algorithme : le modèle de fonction de potentiel d'apprentissage automatique jette un pont analytique à l'échelle atomique

Sur la base de la base de données susmentionnée, l'équipe conjointe a adopté la méthode de potentiel d'apprentissage automatique NEP de haute précision et haute efficacité développée par le Laboratoire National de Suzhou, combinée au flux de travail d'apprentissage actif, à l'algorithme d'analyse d'incertitude et au cadre d'agent intelligent pour les matériaux computationnels développés par le Laboratoire d'Intelligence Artificielle de Shanghai. Elle a réussi à développer un modèle de fonction de potentiel d'apprentissage automatique, surmontant les limites d'échelle et de temps des calculs traditionnels par premiers principes.

Ce modèle peut réaliser des simulations dynamiques interfaciales complexes pour des systèmes de plus de cent mille atomes et des millions de pas atomiques, capable de capturer des mécanismes microscopiques clés tels que l'accélération de la migration du carbone par les joints de grains maclés, fournissant ainsi un pont de calcul à l'échelle atomique pour comprendre les phénomènes macroscopiques de croissance du graphite monocristallin de haute qualité.

Pilotage par le mécanisme : préparation de graphite monocristallin de plus de 200 micromètres dépassant le record mondial

Avec l'aide du modèle de fonction de potentiel d'apprentissage automatique de haute précision, l'équipe conjointe a mené des simulations dynamiques à l'échelle atomique à grande échelle et sur de longues durées. Grâce aux expériences de simulation, l'équipe a non seulement révélé le processus complet de migration des atomes de carbone dans le réseau de nickel, de la ségrégation à la diffusion, en passant par la nucléation et la croissance, mais a également reproduit l'ensemble du processus évolutif de dissolution, ségrégation, nucléation et croissance épitaxiale aux interfaces du nickel monocristallin et de celles contenant des joints de grains maclés, clarifiant ainsi le mécanisme de croissance du graphite monocristallin.

De plus, grâce à des expériences de simulation quantitatives, l'équipe conjointe a clarifié les lois de régulation des paramètres clés tels que la température de réaction, la solubilité du carbone, le taux de diffusion atomique et la structure des joints de grains maclés sur la qualité de croissance du graphite monocristallin, fournissant un support théorique et une base de calcul quantifiables, prédictibles et applicables pour l'optimisation et l'amélioration des procédés de préparation des matériaux.

Sur la base de ces découvertes scientifiques, l'équipe conjointe a mis en place un système de croissance de graphite monocristallin, réussissant finalement à préparer du graphite monocristallin de haute qualité de taille centimétrique et d'une épaisseur supérieure à 200 micromètres — cette épaisseur est plus de 3 fois supérieure au niveau mondial actuel. Cette percée scientifique explore également une voie de recherche intelligente passant de « l'exploration par essais et erreurs » au « pilotage par le mécanisme », validant la valeur importante de l'IA en tant qu'« outil révolutionnaire » pour stimuler les découvertes scientifiques.

À l'avenir, l'équipe conjointe s'appuiera davantage sur les modèles d'intelligence artificielle pour mener des recherches sur l'optimisation des paramètres de procédé expérimental et la fabrication à grande échelle, continuant à promouvoir le développement du graphite monocristallin vers une qualité supérieure, une plus grande surface et une production de masse plus stable. Elle explorera activement son potentiel d'application dans des domaines tels que les dispositifs électroniques, la gestion thermique et les équipements haut de gamme, et explorera la formation d'un nouveau paradigme de R&D basé sur des données massives, centré sur les modèles d'intelligence artificielle, guidé par la compréhension des mécanismes, validé par la préparation expérimentale et visant la fabrication à grande échelle, afin de promouvoir continuellement l'intégration profonde et substantielle de l'intelligence artificielle et de la science des matériaux.