Réseaux neuronaux en graphes, Prédiction rapide de l’hystérésis ferroélectrique de l’oxyde d’hafnium

L’oxyde d’hafnium polycristallin émerge comme un matériau prometteur pour l’avenir des dispositifs nanoelectroniques. Bien que la modélisation de champ de phase reste un outil de prédilection pour prévoir l’évolution de la structure de domaine et les propriétés électromécaniques des matériaux ferroélectriques, son coût computationnel élevé limite son applicabilité aux systèmes de taille réelle.

Dans cette étude, nous introduisons un modèle d’IA basé sur les Réseaux Neuronaux en Graphes visant à prédire l’hystérésis ferroélectrique de l’oxyde d’hafnium polycristallin, dans le but d’accélérer considérablement les calculs par rapport aux méthodes de champ de phase haute fidélité. En exploitant la structure en graphe inhérente au système polycristallin et en incorporant les propriétés des arêtes, notre approche prédit avec précision les comportements d’hystérésis sur un large éventail de structures polycristallines, de nombres de grains et de coefficients de Landau.

Le modèle démontre une grande précision, avec une erreur relative moyenne de 4 %, et une efficacité computationnelle remarquable par rapport aux simulations de champ de phase de référence, offrant des accélérations dépassant le million de fois. De plus, nous illustrons la transférabilité de notre modèle pour étendre efficacement les prédictions dans des polycristaux comprenant jusqu’à un millier de grains, facilitant les simulations de systèmes à taille réelle.

Contacts : Kevin ALHADA, Brice GAUTIER, Damien DELERUYELLE

Référence :

K. Alhada-Lahbabi, D. Deleruyelle, and b. Gautier, “Ultrafast and accurate prediction of polycrystalline hafnium oxide phase-field ferroelectric hysteresis using graph neural networks,” Nanoscale Adv., 2024,  https://doi.org/10.1039/D3NA01115A