Photo EPFL
L’hydrogène est le principal composant des planètes géantes, où il se trouve la plupart du temps à l’état liquide. Près de la surface, il existe sous une forme isolante moléculaire : les atomes sont liés en molécules d'H2. Alors que vers le centre de la planète, il prend une forme métallique, dans laquelle les atomes individuels peuvent se déplacer librement. Le professeur Michele Ceriotti, à la tête du laboratoire de science computationnelle et de modélisation (COSMO) de l’EPFL, en collaboration avec des scientifiques de l’Université de Cambridge et Zurich IBM, ont utilisé des simulations informatiques pour comprendre la nature de cette transition. « L’hydrogène demeure le composé le plus simple du tableau périodique des éléments. Il est constitué d’un proton et d’un électron. C’est d’ailleurs une des raisons pour laquelle il fait l’objet de nombreuses études. Le point essentiel, et assez particulier, de cette transition est qu’elle s’opère entre deux sortes de liquides, et non entre un liquide et du gaz ou un liquide et un solide », déclare le chercheur de la faculté des Sciences et techniques de l’ingénieur.
Un système très complexe à reproduire
Cette transition fait l'objet d'un effort de recherche intense puisque plusieurs groupes de recherche ont tenté d’analyser ce phénomène en essayant de le reproduire en laboratoire. « Cela se révèle très compliqué, parce qu'il faut recréer sur Terre les mêmes conditions que celles que l'on trouve sur Jupiter ou Saturne. Cela implique des pressions qui sont environ un million de fois supérieures à la pression atmosphérique terrestre, et de pouvoir examiner l'échantillon soumis à ces conditions. Etudier un matériau à une pression proche de celle de Jupiter ou Saturne s’avère donc très délicat. D’ailleurs, les résultats de ces études sont souvent controversés, car elles diffèrent sensiblement les unes des autres », explique Michele Ceriotti.
Plutôt que d'essayer de reproduire les conditions des planètes géantes dans un laboratoire, les scientifiques ont tenté de les reproduire sur un ordinateur, en utilisant des simulations très précises. Les tentatives précédentes pour y parvenir ont consisté à résoudre à la volée des équations décrivant le comportement mécanique quantique de l'hydrogène fluide. La complexité de ces équations limitait la portée de ces simulations à quelques atomes à la fois et l'échelle de temps à moins d'un milliardième de seconde.
Gain de temps
Spécialisés dans le développement de méthodes de simulations informatiques et de modélisation aidés par des méthodes de «machine learning», les chercheurs du laboratoire COSMO ont pu agrandir la taille et la durée des leurs simulations, afin d’expliquer le comportement de l’hydrogène en transition. Pour effectuer ces expérimentations, ils ont dû recourir à des machines très puissantes. « Cela représente un investissement considérable en termes d’énergie et de temps. Les simulations que nous réalisons à l’aide de l’apprentissage machine ont pris quelques semaines sur les ordinateurs de l’EPFL. Si elles avaient été accomplies avec des techniques de modélisation traditionnelles, il aurait fallu des centaines de millions d’années pour réaliser ces calculs », relève Michele Ceriotti.
Une transition douce
En procédant ainsi, les scientifiques ont trouvé une explication possible à l'écart de résultats entre les expériences précédentes. Elle pourrait être liée à l'interprétation des observations expérimentales et à la nature de la transition liquide-liquide. « Tous les modèles qui essaient de décrire l’hydrogène sur les planètes géantes postulent que la transition entre la phase isolante et métallique est nette. Nos modélisations ont révélé que la transformation s’avère graduelle. Par conséquent, le moment exact où se produit la transition dépend du choix des critères et de l'observable surveillé - ce qui pourrait expliquer la dépendance à l'égard des détails des expériences. Maintenant que nous maîtrisons le système idéalisé, nous pouvons passer à l'étude des systèmes dans des conditions plus réalistes et complexes, où l’hydrogène est mélangé avec de l’hélium et les autres composantes de l’atmosphère de ces planètes », conclut Michele Ceriotti. Une clé supplémentaire pour déchiffrer les mystères des géantes gazeuses de notre système solaire, ainsi que ceux des exoplanètes grâce aux simulations informatiques et à l'apprentissage machine.
Financement
NCCR MARVEL
Références
DOI : 10.1038/s41586-020-2677-y
Lien : https://www.nature.com/articles/s41586-020-2677-y
Un système très complexe à reproduire
Cette transition fait l'objet d'un effort de recherche intense puisque plusieurs groupes de recherche ont tenté d’analyser ce phénomène en essayant de le reproduire en laboratoire. « Cela se révèle très compliqué, parce qu'il faut recréer sur Terre les mêmes conditions que celles que l'on trouve sur Jupiter ou Saturne. Cela implique des pressions qui sont environ un million de fois supérieures à la pression atmosphérique terrestre, et de pouvoir examiner l'échantillon soumis à ces conditions. Etudier un matériau à une pression proche de celle de Jupiter ou Saturne s’avère donc très délicat. D’ailleurs, les résultats de ces études sont souvent controversés, car elles diffèrent sensiblement les unes des autres », explique Michele Ceriotti.
Plutôt que d'essayer de reproduire les conditions des planètes géantes dans un laboratoire, les scientifiques ont tenté de les reproduire sur un ordinateur, en utilisant des simulations très précises. Les tentatives précédentes pour y parvenir ont consisté à résoudre à la volée des équations décrivant le comportement mécanique quantique de l'hydrogène fluide. La complexité de ces équations limitait la portée de ces simulations à quelques atomes à la fois et l'échelle de temps à moins d'un milliardième de seconde.
Gain de temps
Spécialisés dans le développement de méthodes de simulations informatiques et de modélisation aidés par des méthodes de «machine learning», les chercheurs du laboratoire COSMO ont pu agrandir la taille et la durée des leurs simulations, afin d’expliquer le comportement de l’hydrogène en transition. Pour effectuer ces expérimentations, ils ont dû recourir à des machines très puissantes. « Cela représente un investissement considérable en termes d’énergie et de temps. Les simulations que nous réalisons à l’aide de l’apprentissage machine ont pris quelques semaines sur les ordinateurs de l’EPFL. Si elles avaient été accomplies avec des techniques de modélisation traditionnelles, il aurait fallu des centaines de millions d’années pour réaliser ces calculs », relève Michele Ceriotti.
Une transition douce
En procédant ainsi, les scientifiques ont trouvé une explication possible à l'écart de résultats entre les expériences précédentes. Elle pourrait être liée à l'interprétation des observations expérimentales et à la nature de la transition liquide-liquide. « Tous les modèles qui essaient de décrire l’hydrogène sur les planètes géantes postulent que la transition entre la phase isolante et métallique est nette. Nos modélisations ont révélé que la transformation s’avère graduelle. Par conséquent, le moment exact où se produit la transition dépend du choix des critères et de l'observable surveillé - ce qui pourrait expliquer la dépendance à l'égard des détails des expériences. Maintenant que nous maîtrisons le système idéalisé, nous pouvons passer à l'étude des systèmes dans des conditions plus réalistes et complexes, où l’hydrogène est mélangé avec de l’hélium et les autres composantes de l’atmosphère de ces planètes », conclut Michele Ceriotti. Une clé supplémentaire pour déchiffrer les mystères des géantes gazeuses de notre système solaire, ainsi que ceux des exoplanètes grâce aux simulations informatiques et à l'apprentissage machine.
Financement
NCCR MARVEL
Références
DOI : 10.1038/s41586-020-2677-y
Lien : https://www.nature.com/articles/s41586-020-2677-y
Autres articles
-
L'IA pour surveiller et détecter les défauts des infrastructures
-
Des synapses nanofluidiques pour stocker la mémoire computationelle
-
L'algorithme qui entraîne des réseaux de neurones physiques profonds
-
Ensemble pour une intelligence artificielle digne de confiance
-
Le grand modèle de langage de l'EPFL pour le savoir médical