La spectroscopie infrarouge (IR) est un des outils précieux pour caractériser les constituants chimiques des matériaux. Ces méthodes peuvent extraire des informations concernant les modes de vibration des atomes de manière non destructive, ce qui fournit une empreinte structurelle qui peut être utilisée pour identifier les matériaux. La principale caractéristique de cette empreinte digitale est l’apparition de pics dans le spectre à certaines fréquences propres au matériau correspondant. En fait, le spectre IR détermine si les matériaux possèdent certaines propriétés et est donc utilisé comme ligne directrice dans la recherche de nouveaux matériaux présentant des caractéristiques d’intérêt spécifiques telles que la structure de la molécule, les propriétés électroniques, etc.
Des simulations atomistiques précises et/ou complémentaires dans l’interprétation des spectres obtenus expérimentalement et, dans certains cas, sont la seule source d’information lorsque les données expérimentales ne sont pas disponibles ou difficiles à obtenir. Malgré leur pouvoir prédictif exceptionnel, les simulations atomistiques ne sont pas toujours des outils pratiques pour rechercher les propriétés intrinsèques des matériaux (par exemple en fonction de leurs propriétés IR ou Raman), en raison de leur coût de calcul non négligeable. En fait, les approches basées sur l’auto-apprentissage (Machine Learning en Anglais) et l’informatique des matériaux (Materials Informatics en Anglais) sont des outils prometteurs pour rechercher un tel espace de phase. Les modèles MI/ML peuvent être formés pour cribler les matériaux candidats en fonction de l’emplacement de leurs pics IR, et des simulations atomistiques peuvent être utilisées pour vérifier la validité des prédictions MI/ML lorsque les spectres IR de ces candidats potentiels ne peuvent pas encore être obtenus expérimentalement. Cela souligne l’importance des simulations atomistiques dans le criblage et ensuite la sélection des matériaux.
Par exemple, nous avons construit un modèle d’auto-apprentissage qui peut prédire l’emplacement des principaux pics IR pour les matériaux d’entrée. Comme indiqué précédemment, ces informations peuvent être utilisées pour décider si un matériau donné est un bon candidat pour certaines applications [4, 5], par exemple pour être utilisé dans un détecteur IR. Le modèle est formé sur la base de la méthode des forêts aléatoires pour garantir l’efficacité et la précision, tel que validé par une validation croisée quintuple. L’ensemble de données de formation est collecté à partir de ressources de données publiques qui contiennent des milliers (ou beaucoup plus) de cristaux moléculaires avec des spectres IR expérimentaux/théoriques. Les descripteurs atomiques sont générés sur la base de structures géométriques atomiques, de formules chimiques ainsi que de propriétés physiques personnalisées. RESCU est ensuite utilisé pour déterminer la précision du modèle ML en simulant ledit spectre IR.
Pour les nouveaux venus parmi les solutions atomistiques de Nanoacademic (Soyez les bienvenus !) : Qu’est-ce que RESCU ? RESCU est un code DFT (Théorie de la fonctionnelle de la densité) à grande échelle qui fournit un simulateur de spectres IR efficace et précis grâce à son module de théorie des perturbations fonctionnelles de densité (DFPT) [1, 2, 3]. Veuillez-vous reporter à nos articles précédents pour des exemples précis. L’implémentation est basée sur le théorème 2n+1 [6] et peut gérer des systèmes allant des petites molécules aux solides, contenant jusqu’à quelques milliers d’atomes. Nous avons simulé les spectres IR de molécules de benzène et de cristaux de quartz bêta. Les figures 2 et 4 montrent les spectres IR de ces matériaux, qui sont en excellent accord avec l’expérience. Les prédictions ML sont également représentées par des lignes vert clair dans les figures correspondantes. La proximité de la simulation DFPT et des pics prédits MI/ML garantit la fiabilité du modèle MI/ML pour le criblage des matériaux en fonction de leur emplacement de pic principal IR.
Dans cet article, nous avons montré comment RESCU peut être utilisé comme outil précis pour la simulation atomistique des spectres IR pour différents types de matériaux assez représentatifs, que ce soit pour une meilleure compréhension des données expérimentales disponibles ou comme seule solution pour mieux comprendre dans les cas où ces données ne sont pas disponibles. En effet, les expérimentateurs et les théoriciens trouvent de grands avantages à utiliser nos solutions atomistiques.
Nanoacademic Technologies propose des licences commerciales RESCU pour les utilisateurs individuels et les groupes de recherche avec différentes possibilités et options d’abonnement. Pour plus d’informations, veuillez consulter notre site Web et notre portail de documentation où vous pouvez également trouver plus d’informations sur les fonctionnalités de RESCU. Pour un essai gratuit de 30 jours, veuillez-vous inscrire sur notre portail utilisateur où vous pourrez le télécharger. La méthode ML présentée ci-dessus est disponible pour notre communauté de chercheurs en consultation ou en interfaçage avec la licence RESCU pour corroborer leurs résultats expérimentaux et ceux simulés dans le cadre de leurs projets de R&D. Il s’agit d’une manière vraiment innovante d’effectuer de l’ingénierie des matériaux en économisant beaucoup de temps et de ressources dans le processus de conception.
Veuillez nous contacter pour plus d’informations. À bientôt !
Bibliographie:
[1] Baroni, Stefano, Stefano De Gironcoli, Andrea Dal Corso, and Paolo Giannozzi. « Phonons and related crystal properties from density-functional perturbation theory. » Reviews of modern Physics 73, no. 2 (2001): 515. https://doi.org/10.1103/RevModPhys.73.515
[2] Xavier Gonze and Changyol Lee (1997). Dynamical matrices, Born effective charges, dielectric permittivity tensors, and interatomic force constants from density-functional perturbation theory: Phys. Rev. B 55, 10355 – Published 15 April 1997 https://doi.org/10.1103/PhysRevB.55.10355
[3] Bohloul, S. (2017). First-Principles Quantum Transport and Linear Response Modeling of Nano-devices and Materials. https://escholarship.mcgill.ca/concern/theses/8910jx167?locale=en
[4] Kang P, Liu Z, Abou-Rachid H, et al. Machine-learning assisted screening of energetic materials[J]. The Journal of Physical Chemistry A, 2020, 124(26): 5341-5351.
[5] Liu Z L, Kang P, Zhu Y, et al. Material informatics for layered high-TC superconductors[J]. APL Materials, 2020, 8(6): 061104.
[6] Nonlinear optical susceptibilities, Raman efficiencies, and electro-optic tensors from first-principles density functional perturbation theory, M. Veithen, X. Gonze, Ph. Ghosez, Phys. Rev. B 71, 125107 (2005) https://doi.org/10.1103/PhysRevB.71.125107
[7] Spectral Database for Organic Compounds SDBS https://sdbs.db.aist.go.jp/sdbs/cgi-bin/direct_frame_top.cgi
[8] RRUFF Project https://rruff.info/
