Combiner l’intelligence artificielle et le calcul haute performance pour trouver de meilleures conceptions de batteries

Mélanger les mathématiques de faible et de haute précision pour accélérer le rythme des découvertes scientifiques est un sujet de débat depuis un certain temps. Lors de son discours à l'ISSC l'année dernière, Lisa Su, PDG d'AMD pensif Cette combinaison pourrait réduire considérablement les besoins en énergie pour faire évoluer l’informatique de manière significative sans recourir à des supergrappes à énergie nucléaire.

Le fait est qu’une application plus intelligente des ressources informatiques est nécessaire pour résoudre des problèmes beaucoup plus vastes, mais pas nécessairement un plus grand nombre.

Le HPC est largement axé sur la simulation haute fidélité. Mais avant de pouvoir vous mettre au travail, vous devez d’abord identifier le candidat idéal ou l’hypothèse à tester. Ainsi, au lieu de déployer des ressources HPC pour tester hypothèse après hypothèse jusqu'à ce que vous trouviez la recette parfaite, vous pouvez utiliser des modèles d'IA rapides et basse fidélité pour vous aider à trier toutes les possibilités de candidats idéaux.

C’est exactement la formule proposée par l’équipe Microsoft Azure Quantum Elements (AQE) et le Pacific Northwest National Laboratory (PNNL) du ministère de l’Énergie. employé Dans le cadre d'une coopération pluriannuelle.

Dans le cadre d'une preuve de concept récemment détaillée Article de blog, PNNL et l'équipe AQE mettent à contribution les vastes ressources informatiques de Microsoft pour un ensemble de charges de travail IA/ML et HPC conçues pour accélérer le développement d'une batterie expérimentale. Et cette fois, Microsoft ne se contente pas de construire une meilleure alimentation sans coupure (UPS) en utilisant les cellules de quelqu'un d'autre.

Un petit mot : bien que l’équipe s’appelle Azure Quantum Elements, l’informatique quantique n’a pas été un facteur dans cette expérience particulière. Le consensus général est que la modélisation précise à l’aide de systèmes quantiques ne sera pas possible avant quelques années, mais la science des matériaux est l’un des domaines qui devraient bénéficier de cette technologie.

En quelques semaines, l’équipe est passée de l’énoncé du problème à la maintenance d’une véritable batterie basée sur un composé chimique nouvellement identifié. L’élément le plus surprenant de ce projet était peut-être le temps de calcul requis, qui n’était que de 80 heures. On peut imaginer que le temps de calcul pourrait être encore réduit en utilisant davantage de ressources.

Réduire, simuler, répéter

Le processus par lequel les équipes de l’AQE et du PNNL ont réalisé cet exploit impliquait de multiples applications d’apprentissage automatique et de simulation.

La première étape consistait à former des modèles d’IA pour évaluer différents matériaux en fonction des qualités souhaitées et suggérer des combinaisons qui semblaient prometteuses. L’exécution de cet algorithme a réduit le champ des candidats à 32 millions, un nombre trop élevé pour être pratique, mais ce n’était que le premier tour.

Cet ensemble de données a ensuite été trié et réduit pour identifier les composés en fonction de leur stabilité, de leur réactivité et de leur capacité à conduire l'électricité. Des essais répétés ont permis de réduire la gamme à 500 000, puis à 800 composés chimiques.

Par conséquent, les chercheurs ont commencé à appliquer des modèles de calcul plus performants. La première de cette théorie utilisait la théorie fonctionnelle de la densité pour calculer le niveau d’énergie de chaque substance dans différents états. Next a utilisé une combinaison de HPC et d’IA pour simuler la dynamique moléculaire de chaque matériau, puis analyser les mouvements des atomes qu’ils contiennent. Cela a permis aux chercheurs d'accéder à 150 candidats viables.

Enfin, une troisième série de simulations a été réalisée sur l'ensemble de données pour déterminer laquelle serait la plus pratique en termes de coût, de temps et de disponibilité. À partir de là, le PNNL et l’équipe de l’AQE ont dressé une liste restreinte de 18 complexes jusqu’alors inconnus.

L’élément le plus intéressant dans tout cela est peut-être la répartition des comptes. L’idée reçue suggérait que les charges de travail HPC double précision nécessiteraient la majeure partie du temps imparti, mais ce n’était pas le cas.

Selon Microsoft, 90 % des ressources informatiques sont consacrées à des tâches d'apprentissage automatique conçues pour restreindre le champ des possibles. Seulement 10 % des 80 heures de calcul ont été consacrées aux charges de travail HPC.

Mettez-le à l'épreuve

En fin de compte, une simulation est une simulation. Il s’agit de la meilleure approximation du comportement d’un produit chimique ou d’un procédé, mais nous ne le saurons pas avec certitude tant qu’il n’aura pas été testé. Il y a une raison pour laquelle le ministère de l’Énergie, en plus de construire des superordinateurs de plusieurs millions de dollars pour simuler l’efficacité du stock nucléaire américain, mène des tests sous-critiques en profondeur pour voir à quel point ces simulations sont proches de la réalité.

Ainsi, après avoir identifié le candidat le plus probable, un électrolyte solide composé de 70 % de sodium et de 30 % de lithium, le PNNL s’est mis au travail pour le transformer en batterie. Ce processus impliquait la fabrication du composé, son broyage, sa compression, puis son chauffage à une température comprise entre 450 et 650 degrés Celsius. Cependant, par rapport à la phase informatique, ce processus a été relativement rapide, prenant environ dix heures.

Traditionnellement, les batteries les plus denses en énergie – celles que l’on trouve dans les voitures électriques, les ordinateurs portables, les smartphones et les outils électriques – utilisent du lithium. Malheureusement, ces choses ne sont pas exactement les plus durables ou les plus faciles à obtenir. Le sodium, en revanche, est relativement abondant et donc bon marché. Le problème est que le sodium seul n’a pas la densité énergétique du lithium. En combinant les deux, Microsoft et PNNL semblent avoir su trouver un heureux compromis entre largeur et densité du matériau.

Alors que PNNL est ravi de découvrir une nouvelle chimie de batterie, Brian Abrahamson, directeur numérique de PNNL, l'a confirmé dans un rapport de Microsoft. Article de blog La véritable avancée ne concerne pas la chimie de la batterie elle-même, mais plutôt la rapidité avec laquelle les équipes ont pu y parvenir.

Les recherches antérieures sur les batteries au PNNL, telles que le développement de la batterie à flux redox au vanadium, ont pris des années, ce qui ne fait que renforcer l'importance de ce projet.

Faire passer la simulation au niveau supérieur

Reste à savoir si la batterie s’avérera finalement viable. Comme le notent Microsoft et PNNL, les tests nécessiteront la production de centaines de prototypes de batteries, ce qui prendra beaucoup plus de temps.

Toutefois, le PNNL et Microsoft réfléchissent déjà à des moyens d’accélérer ce processus. Vijay Murugesan, qui dirige le groupe Sciences des matériaux au PNNL, suggère que le développement d'un jumeau numérique pour la chimie et la science des matériaux pourrait réduire la durée des tests.

Nvidia s'est particulièrement prononcée sur le concept de jumeaux numériques ces dernières années. L'entreprise l'a présenté comme un moyen pour les organisations, en particulier celles qui s'occupent de la logistique et de la fabrication, de tester numériquement les changements de production avant de s'y engager dans la vie réelle.

Dans le cas du PNNL, Murugesan suggère que le chercheur pourrait utiliser le jumeau numérique pour saisir des détails tels que l'anode, l'électrolyte, la tension et d'autres facteurs afin de prédire le résultat. Il n’est pas difficile d’imaginer comment une telle chose pourrait accélérer le développement et la production d’une nouvelle chimie.

En parlant de cela, même si la collaboration continue de Microsoft avec PNNL s'est jusqu'à présent concentrée en grande partie sur la technologie des batteries, le géant du logiciel tient à souligner que ses algorithmes d'apprentissage automatique ont été développés pour la chimie en général et peuvent être appliqués à un certain nombre de problèmes liés. à la science des matériaux. .

Au moins, le projet sert à illustrer les possibilités lorsque nous commençons à appliquer des ressources informatiques – qu'elles soient de basse précision, de haute précision ou une combinaison des deux – à l'ensemble du problème.