Quantification d'incertitude pour l'apprentissage automatique des potentiels interatomiques

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. Depuis les concepts scientifiques en recherche fondamentale jusqu’aux solutions technologiques en recherche appliquée, l’innovation est au cœur de son action, articulée autour de quatre orientations stratégiques : climat, environnement et économie circulaire ; énergies renouvelables ; mobilité durable ; hydrocarbures responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur l’apport de solutions aux défis sociétaux et industriels de l’énergie et du climat, au service de la transition écologique. Partie intégrante d’IFPEN, IFP School, son école d’ingénieurs, prépare les générations futures à relever ces défis.

Quantification d'incertitude pour l'apprentissage automatique des potentiels interatomiques

Dans le contexte de la transition énergétique, l'optimisation des processus catalytiques est cruciale pour convertir efficacement et durablement les matières premières en carburants et produits chimiques. La compréhension des mécanismes de réaction au niveau atomique est au cœur de cette optimisation.

Cependant, les méthodes expérimentales ne permettent pas toujours d'identifier avec précision les sites actifs et les intermédiaires réactionnels. Les simulations de dynamique moléculaire (MD), combinées aux calculs de mécanique quantique (DFT), sont des outils puissants pour cette compréhension, mais le coût de calcul de la DFT reste une limitation majeure.

Pour relever ce défi, les approches d'apprentissage machine (ML) [1, 2] sont de plus en plus utilisées pour accélérer les simulations en reproduisant les résultats de la DFT à un coût de calcul moindre grâce à l'apprentissage machine des potentiels interatomiques (MLIP).

Cependant, les erreurs dans ces modèles peuvent s'accumuler au cours des simulations, ce qui compromet la fiabilité des résultats. Il est donc essentiel de développer des méthodes pour contrôler et estimer ces erreurs en temps réel.

Dans cette optique, les objectifs de ce stage sont les suivants :

• Tester l'état de l'art des librairies de ML (méthodes de kernel et de deep learning) sur des simulations de MD étudiées à IFPEN pour identifier et analyser les instabilités numériques dues aux prédicteurs ML.
• Quantifier l'incertitude des prédicteurs ML linéaires en s'appuyant sur une méthode récente [3].
• Proposer une stratégie de contrôle du prédicteur ML (linéaire) pour améliorer les résultats de MD basés sur le ML.

Ce stage pourrait être suivi d'une thèse de doctorat.

Références

[1] Wang, H., Zhang, L., Han, J., E, W., 2018. DeePMD-kit: A deep learning package for many-body potential energy representation and molecular dynamics. Computer Physics Communications 228, 178–184. https://doi.org/10.1016/j.cpc.2018.03.016
[2] Vita, J.A., Schwalbe-Koda, D., 2023. Data efficiency and extrapolation trends in neural network interatomic potentials.
[3] Swinburne, T.D., Perez, D., 2024. Parameter uncertainties for imperfect surrogate models in the low-noise regime.