Machine Learning Approaches to the Simulation of Nanoparticle Crystallization

Les nanoparticules, dont la taille varie de quelques nanomètres à une centaine, présentent des propriétés distinctes de celles des matériaux massifs en raison de leur rapport surface/volume élevé et de l'absence d'ordre cristallin à longue distance. Les atomes de surface dominent leur comportement, ce qui se traduit par des structures électroniques modifiées, une stabilité des phases inhabituelle et une réactivité unique. Combiner des métaux dans des nanoalliages ou former des nanocristaux semi-conducteurs permet d'adapter les propriétés optiques, électroniques et chimiques au-delà de ce qui est réalisable dans les matériaux macroscopiques.Le contrôle de la formation et de la croissance des nanoparticules est essentiel pour concevoir des matériaux présentant les fonctionnalités souhaitées. La modélisation computationnelle joue un rôle central dans la compréhension des processus sous-jacents à l'échelle atomique. Les simulations quantiques basées sur les principes fondamentaux fournissent des prévisions très précises, mais sont trop coûteuses pour capturer les étapes de nucléation et de croissance initiale. La dynamique moléculaire classique permet de simuler des milliers d'atomes sur des échelles de temps prolongées, mais repose sur des modèles d'interaction simplifiés qui limitent la précision des prédictions.Les potentiels interatomiques basés sur l'apprentissage automatique comblent cette lacune en reproduisant des forces et des énergies d'une précision quantique à un coût de calcul réduit. Ces méthodes permettent de simuler des nanoparticules réalistes dans des conditions thermodynamiques variées, en capturant la nucléation, la cristallisation, la diffusion et les transitions de phase avec une résolution sans précédent.Cette thèse applique ces potentiels d'apprentissage automatique à l'étude de la formation, de la croissance et de l'évolution structurelle des nanoparticules, en se concentrant sur les nanoalliages or-argent, le zinc et les systèmes d'oxyde de zinc. Pour les nanoalliages Au-Ag, les simulations révèlent les détails du processus de cristallisation et de la ségrégation de l'or en surface, les morphologies et l'ordre chimique obtenus étant validés par rapport aux résultats expérimentaux. Pour les nanoparticules de ZnO, les simulations de croissance à différentes températures et conditions de dépôt mettent en évidence les transitions de phase entre les structures tétragonales centrées et wurtzite. Ici, une technique supplémentaire d'apprentissage automatique dévelopée en interne basée sur des modèles de mélange gaussien a été essentielle pour identifier différents polymorphes de ZnO.Les travaux abordent en outre les défis liés au développement d'un potentiel d'apprentissage automatique multisystème pour le Zn-ZnO, en particulier en raison de la difficulté à modéliser le zinc hexagonal compact. Son paysage énergétique plat et ses ratios structurels anormaux rendent les prévisions précises très sensibles au choix des données d'apprentissage et à l'architecture du modèle. Cependant, les derniers résultats sont prometteurs et suggèrent que la poursuite des itérations et des améliorations devrait permettre d'obtenir un modèle précis.Dans l'ensemble, cette thèse démontre que les simulations assistées par apprentissage automatique offrent un cadre solide pour étudier la synthèse et la croissance des nanoparticules, fournissant des informations qui guident la conception rationnelle de nanomatériaux aux propriétés sur mesure.