Distillation de connaissances à partir de modèle d'apprentissage des propriétés de transport des matériaux

Mots clés

extraction de connaissances, apprentissage automatique, science des matériaux, distillation de connaissances, apprentissage profond, modèles informés par la physique

Détail de l'offre

Différents types de modèles sont utilisés pour estimer et prédire les propriétés des matériaux à partir de leurs caractéristiques de niveau inférieur et de leur structure atomique. Ceux-ci incluent les modèles ab initio et basés sur la simulation, qui sont très coûteux en temps et en ressources de calcul, les modèles analytiques qui sont plus simples, mais plus approximatifs, et les modèles d'apprentissage automatique qui sont appris, soit à partir de données expérimentales, soit à partir de calculs ab initio. Les modèles analytiques ont l'avantage d'être hautement interprétables, étant exprimés sous forme de formules simples basées sur un petit nombre de descripteurs. Les modèles d'apprentissage automatique, de plus en plus basés sur des réseaux neuronaux profonds, y compris les réseaux neuronaux à base de graphes (GNN), ont démontré une grande précision mais manquent souvent d'interprétabilité. Par conséquent, la vérification, la révision et l'alignement de ces modèles avec les connaissances existantes sont difficiles, et les mécanismes sous-jacents à leur grande précision restent largement obscurs. L'objectif de cette thèse est de concevoir de nouvelles méthodes de distillation des connaissances, en s'appuyant sur des approches d'interprétabilité mécaniste pour les réseaux neuronaux, afin d'extraire des connaissances interprétables de ces modèles. Le but est de comprendre comment les modèles d'apprentissage automatique dans ce contexte calculent les descripteurs (y compris potentiellement ceux inconnus auparavant), comment ces descripteurs s'alignent sur les modèles existants, et comment ils peuvent être intégrés dans de nouveaux modèles analytiques qui soient à la fois plus précis et plus interprétables. Nous nous focaliserons en particulier sur les interactions phonon-phonon et phonon-électron à la base des propriétés de transport telles que la conductivité thermique.