Base de données et évolutivité en apprentissage profond des propriétés anharmoniques des phonons par calculs automatisés de première principles par force brute

Pourquoi les vibrations qui transportent la chaleur comptent

Tous les solides qui nous entourent, des puces de smartphone à l’isolation des bâtiments, transmettent principalement la chaleur par de minuscules vibrations atomiques appelées phonons. La facilité avec laquelle ces vibrations se propagent détermine si un matériau est adapté au refroidissement des composants électroniques, à garder la chaleur dans les habitations ou à convertir la chaleur résiduelle en électricité. Pourtant, prédire avec précision ce flux de chaleur à partir de la structure atomique d’un matériau a longtemps été réputé difficile et lent. Cet article présente une nouvelle méthode pour automatiser ces prédictions pour des milliers de cristaux puis utiliser l’apprentissage profond afin d’explorer de vastes espaces de matériaux à la recherche de conductivités thermiques extrêmement élevées ou faibles.

Construire une immense bibliothèque de cristaux vibrants

Les auteurs ont développé un cadre logiciel nommé auto-kappa qui prend en entrée une structure cristalline et exécute automatiquement une longue chaîne de calculs quantiques. Ces calculs décrivent non seulement la façon dont les atomes vibrent de manière parfaitement élastique, mais aussi comment les vibrations s’entrechoquent et se diffusent de façon plus réaliste, « désordonnée ». À partir de cela, le logiciel extrait des propriétés détaillées telles que les temps de vie des phonons et la contribution de chaque vibration au transport de la chaleur. En déployant cette chaîne sur des supercalculateurs, l’équipe a assemblé une nouvelle base de données, appelée Phonix, couvrant les propriétés anharmoniques des phonons pour plus de 6500 cristaux inorganiques — allant de sels simples comme le chlorure de sodium à des structures complexes de plus de 100 atomes par maille.

Une carte diversifiée de la conduction thermique des solides

Grâce à cette base de données, les chercheurs ont examiné comment la conduction thermique varie selon les matériaux. Ils ont constaté que la conductivité thermique du réseau, la part portée par les vibrations du réseau atomique, diminue généralement lorsque le volume par atome augmente — en termes généraux, les structures plus ouvertes tendent à conduire moins bien la chaleur. La base de données révèle une large dispersion : la plupart des matériaux se situent entre environ 0,15 et 40 watts par mètre et par kelvin à température ambiante, mais une petite fraction atteint des valeurs très élevées au‑delà de 200, et un sous‑ensemble infime dépasse 500 voire 1000. Beaucoup des meilleurs conducteurs sont des formes de carbone et de carbure de silicium, tandis qu’un grand nombre de composés présentent une conductivité thermique très faible, offrant de riches possibilités pour des applications thermoélectriques ou isolantes.

Contributions cachées de nature ondulatoire au transport de chaleur

On imagine souvent la chaleur dans les cristaux comme des phonons se comportant comme des molécules de gaz, mais à petites échelles les vibrations peuvent aussi se comporter davantage comme des ondes qui se chevauchent. La base Phonix sépare la contribution conventionnelle « particulaire » au transport de la chaleur de cette contribution plus ondulatoire, ou cohérente. Pour la plupart des matériaux, en particulier les bons conducteurs thermiques, le canal particulaire traditionnel domine. Il est cependant surprenant que les auteurs aient trouvé de nombreux composés où la part cohérente est importante et, dans certains cas, comparable à la part particulaire. Certaines formes complexes de carbure de silicium, comportant de nombreux atomes et des branches de vibration très denses, montrent des contributions cohérentes particulièrement fortes. Cela suggère que le transport de chaleur de type ondulatoire, souvent négligé dans la modélisation pratique, peut être important même dans des cristaux par ailleurs très conducteurs.

Apprendre aux réseaux neuronaux à lire les plans atomiques

Pour dépasser les calculs coûteux par force brute, l’équipe a entraîné des réseaux neuronaux basés sur des graphes qui prennent la structure atomique d’un cristal et prédisent sa conductivité thermique — y compris la façon dont la contribution s’accumule lorsque l’on inclut des vibrations de différentes longueurs de libre parcours moyennes. En faisant varier la taille de l’ensemble d’entraînement de quelques centaines à plusieurs milliers de matériaux, ils ont observé une loi d’échelle claire : les erreurs de prédiction diminuent de manière prévisible à mesure que l’on ajoute des données, à l’instar des tendances observées pour les grands modèles de langage. Munis de ces modèles entraînés, les auteurs ont filtré des centaines de milliers de cristaux hypothétiques issus de la base DeepMind GNoME, puis ont exécuté des calculs quantiques complets sur un sous‑ensemble des candidats les plus prometteurs pour des conductivités exceptionnellement élevées ou faibles.

Trouver les extrêmes : super‑conducteurs et super‑isolants

Le criblage a révélé de nouveaux matériaux candidats aux extrêmes de la conduction thermique. Certains composés riches en hydrogène contenant des atomes très lourds présentent une conductivité thermique élevée parce que leurs vibrations se séparent nettement en modes basses fréquences associés aux atomes lourds et en modes hautes fréquences liés aux atomes légers, réduisant les processus de diffusion perturbateurs. À l’opposé, des structures complexes à base de césium montrent une conductivité thermique très faible, avec des vibrations fortement mêlées réparties sur de nombreux atomes et fréquences, ce qui favorise une diffusion importante et un mauvais transport thermique. Bien que certains de ces cristaux puissent être difficiles à synthétiser, leurs motifs structurels communs fournissent des indices précieux pour concevoir à la fois des « autoroutes thermiques » très conductrices et des « murs thermiques » très résistants.

Ce que cela signifie pour les matériaux de demain

En termes concrets, ce travail apporte deux avancées clés : une grande bibliothèque accessible publiquement qui capture comment les atomes de milliers de cristaux bougent et se heurtent réellement, et un ensemble de modèles d’apprentissage automatique capables de lire ces plans atomiques pour prédire la capacité d’un matériau à transporter la chaleur. Ensemble, ils offrent un raccourci puissant pour découvrir de meilleurs dissipateurs thermiques pour l’électronique, des thermoélectriques améliorés pour la récupération d’énergie et des matériaux avancés pour des technologies où contrôler la chaleur importe autant que contrôler l’électricité. À mesure que la base de données s’enrichira et intégrera des effets de vibration encore plus subtils, ces outils sont prêts à rendre la recherche de nouveaux matériaux thermiques plus rapide, moins coûteuse et bien plus systématique que l’expérimentation par essais‑erreurs.

Citation: Ohnishi, M., Deng, T., Torres, P. et al. Database and deep-learning scalability of anharmonic phonon properties by automated brute-force first-principles calculations. npj Comput Mater 12, 150 (2026). https://doi.org/10.1038/s41524-026-02033-w

Mots-clés: conductivité thermique du réseau, base de données des phonons, vibrations anharmoniques, informatique des matériaux, réseaux de neurones graphiques