Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français français
CORDIS - Résultats de la recherche de l’UE
CORDIS

Machine-learned Atomic Descriptors combined with TENSOR Networks unlocks predictive computational design of alloys

Description du projet

Des descripteurs atomiques d’alliages basés sur l’apprentissage automatique par réseau tensoriel

Les alliages métalliques sont à la base de nombreuses technologies modernes, et d’immenses efforts sont déployés pour mieux les comprendre afin de stimuler l’innovation. Les expériences ne peuvent fournir que des informations limitées aux échelles souhaitées, ce qui nécessite des simulations atomistiques pour comprendre les mécanismes clés à l’échelle nanométrique. Les potentiels d’apprentissage automatique (MLIP pour «machine-learning potentials») ont permis d’apporter la précision quantitative de la mécanique quantique aux simulations atomistiques. Cependant, il n’existe pas de MLIP universel qui puisse être quantitatif dans l’ensemble de l’espace de composition en raison d’une précision et d’une efficacité de calcul limitées. Le projet MAD-TENSOR, financé par le CER, développera une nouvelle architecture pour les potentiels en utilisant des réseaux tensoriels, surmontant ainsi les principaux défis auxquels sont confrontés les MLIP actuels.

Objectif

"Metallic alloys form the backbone of modern infrastructure and technology in our society. Hence, alloys must be understood, not only by their macroscopic behavior, but rather through consideration of the interactions between many length scales, from angstroms to meters. In general, understanding cannot be developed by experiments alone, beyond observations of snapshots, but must be combined with atomistic simulations that can provide a deeper understanding of the nanoscale mechanisms that govern the dynamics observed in experiments.

Machine-learning potentials (MLIPs) have been a breakthrough for providing the quantitative accuracy of quantum mechanics to atomistic simulations, required to predict the correct mechanisms. However, developing a universal MLIP that is quantitative over the whole composition space has thus far not been achieved. Current available approaches lack either computational efficiency or accuracy. Another breakthrough is required.

To address these challenges, I propose to develop a novel architecture for potentials, equivariant tensor networks (ETNs), based on low-rank representations of high-dimensional tensors to reduce the number of parameters in approximating multidimensional functions. The two distinguishing features of ETNs that are key for developing predictive universal potentials are
(i) high-dimensional convolutions represented using low-rank tensor networks,
(ii) their factorization into small, equally-sized, but highly repetitive, operations which are lucrative for massive parallelization on modern HPC architectures, such as GPUs.
Moreover, ETNs will allow to solve two additional urgent problems:
(a) efficiently adding magnetic degrees freedom to the MLIP's functional form to compute magnetic properties with atomistic simulations,
(b) the creation of an ""averaged"" ETN potential that allows to compute material properties of random alloys without requiring sampling over thousands of simulations of the true random alloy."

Champ scientifique (EuroSciVoc)

CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: Le vocabulaire scientifique européen.
La classification de ce projet a été validée par des humains.

Mots‑clés

Les mots-clés du projet tels qu’indiqués par le coordinateur du projet. À ne pas confondre avec la taxonomie EuroSciVoc (champ scientifique).

Programme(s)

Programmes de financement pluriannuels qui définissent les priorités de l’UE en matière de recherche et d’innovation.

Thème(s)

Les appels à propositions sont divisés en thèmes. Un thème définit un sujet ou un domaine spécifique dans le cadre duquel les candidats peuvent soumettre des propositions. La description d’un thème comprend sa portée spécifique et l’impact attendu du projet financé.

Régime de financement

Régime de financement (ou «type d’action») à l’intérieur d’un programme présentant des caractéristiques communes. Le régime de financement précise le champ d’application de ce qui est financé, le taux de remboursement, les critères d’évaluation spécifiques pour bénéficier du financement et les formes simplifiées de couverture des coûts, telles que les montants forfaitaires.

HORIZON-ERC - HORIZON ERC Grants

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

Procédure par laquelle les candidats sont invités à soumettre des propositions de projet en vue de bénéficier d’un financement de l’UE.

(s’ouvre dans une nouvelle fenêtre) ERC-2025-STG

Voir tous les projets financés au titre de cet appel

Institution d’accueil

MATERIALS CENTER LEOBEN FORSCHUNG GMBH
Contribution nette de l'UE

La contribution financière nette de l’UE est la somme d’argent que le participant reçoit, déduite de la contribution de l’UE versée à son tiers lié. Elle prend en compte la répartition de la contribution financière de l’UE entre les bénéficiaires directs du projet et d’autres types de participants, tels que les participants tiers.

€ 1 498 705,00
Adresse
VORDERNBERGER STRASSE 12
8700 LEOBEN
Autriche

Voir sur la carte

PME

L’entreprise s’est définie comme une PME (petite et moyenne entreprise) au moment de la signature de la convention de subvention.

Oui
Région
Südösterreich Steiermark Östliche Obersteiermark
Type d’activité
Research Organisations
Liens
Coût total

Les coûts totaux encourus par l’organisation concernée pour participer au projet, y compris les coûts directs et indirects. Ce montant est un sous-ensemble du budget global du projet.

€ 1 498 705,00

Bénéficiaires (1)

Mon livret 0 0