Thèse Année : 2024

Generative methods for polymer dynamics and structure

Méthodes génératives appliqués à la dynamique et la structure des polymères

Résumé

This thesis develops data-driven methodologies to accelerate molecular dynamics (MD) simulations of polymer melts. It addresses two key problems: transient anomalous diffusion (TAD) and the reconstruction of atomistic details from coarse-grained representations (backmapping).For the diffusion problem, the thesis proposes a hybrid ML-GLE framework combining a generalized Langevin equation (GLE) with a neural autoregressive model (NAR). Building on the Mori-Zwanzig formalism, a GLE is derived to reproduce TAD behavior. The solution involves Brownian motion and independent Ornstein-Uhlenbeck processes, corresponding to normal modes obtained by a discrete cosine transform.The NAR model is trained on short MD trajectories to approximate the non-Markovian dynamics of normal modes. Composed of a multilayer perceptron and linear layers, it generates parameters of a multivariate Gaussian distribution. In the inference phase, it is used autoregressively to simulate the stochastic dynamics of individual polymers.This framework predicts transient and asymptotic diffusive regimes over a wide range of temperatures, offering significant acceleration compared to full MD simulations.For backmapping, the thesis proposes a generative diffusion model based on an equivariant neural network. This approach incorporates fictitious CG-atom interactions and periodic boundary conditions, allowing for good reconstruction of atomistic details.The network architecture accounts for rotational, translational, and parity symmetries, processing data according to their irreducible representations. The model progressively perturbs the displacements between CG beads and atomistic monomer positions, generating new atomistic configurations that satisfy the given CG representation.The model generates good atomistic configurations from relatively small training datasets. Tested on a polybutadiene system, it reproduces the radial distribution function well but struggles with the atom-atom angle distribution. The method proves its scalability by providing good results on a larger system.In conclusion, this thesis presents significant contributions to accelerating MD simulations of polymer melts. The ML-GLE framework and the diffusion-based backmapping method open new avenues for studying the structural and dynamic properties of polymer melts, with potential implications for material design and optimization.In summary, this thesis represents an important contribution at the interface between polymer science, statistical physics, and machine learning. The developed methodologies promise to significantly accelerate research and development in the field of polymer materials, with potential applications ranging from the design of new plastics to the optimization of manufacturing processes.

Cette thèse développe des méthodologies basées sur les données pour accélérer les simulations de dynamique moléculaire (MD) des fondus de polymères. Elle aborde deux problèmes clés : la diffusion anormale transitoire (TAD) et la reconstruction des détails atomistiques à partir de représentations à gros grains (backmapping).Pour le problème de diffusion, la thèse propose un framework hybride ML-GLE combinant une équation de Langevin généralisée (GLE) avec un modèle auto-régressif neuronal (NAR). S'appuyant sur le formalisme de Mori-Zwanzig, une GLE est dérivée pour reproduire le comportement TAD. La solution implique un mouvement brownien et des processus d'Ornstein-Uhlenbeck indépendants, correspondant aux modes normaux obtenus par une transformée en cosinus discrète.Le modèle NAR est entraîné sur de courtes trajectoires MD pour approximer la dynamique non markovienne des modes normaux. Composé d'un perceptron multicouche et de couches linéaires, il génère les paramètres d'une distribution gaussienne multivariée. En phase d'inférence, il est utilisé de manière auto-régressive pour simuler la dynamique stochastique des polymères individuels.Ce framework prédit les régimes diffusif transitoires et asymptotiques sur une large gamme de températures, offrant une accélération significative par rapport aux simulations MD complètes.Pour le backmapping, la thèse propose un modèle de diffusion génératif basé sur un réseau neuronal équivariant. Cette approche incorpore des interactions fictives CG-atome et des conditions aux limites périodiques, permettant une bonne reconstruction des détails atomistiques.L'architecture du réseau tient compte des symétries rotationnelles, translationnelles et de parité, traitant les données selon leurs représentations irréductibles. Le modèle perturbe progressivement les déplacements entre les billes CG et les positions des monomères atomistiques, générant de nouvelles configurations atomistiques satisfaisant la représentation CG donnée.Le modèle génère de bonnes configurations atomistiques à partir d'ensembles de données d'entraînement relativement petits. Testé sur un système de polybutadiène, il reproduit bien la fonction de distribution radiale mais présente des difficultés avec la distribution des angles atome-atome. La méthode prouve sa scalabilité en fournissant de bons résultats sur un système plus grand.En conclusion, cette thèse présente des contributions significatives dans l'accélération des simulations MD des fondus de polymères. Le framework ML-GLE et la méthode de backmapping par diffusion ouvrent de nouvelles voies pour l'étude des propriétés structurelles et dynamiques des fondus de polymères, avec des implications potentielles pour la conception et l'optimisation des matériaux.En résumé, cette thèse représente une contribution importante à l'interface entre la science des polymères, la physique statistique et l'apprentissage automatique. Les méthodologies développées promettent d'accélérer significativement la recherche et le développement dans le domaine des matériaux polymères, avec des applications potentielles allant de la conception de nouveaux plastiques à l'optimisation des processus de fabrication.

Fichier principal
Vignette du fichier
2024UCFA0108_CHERCHI.pdf (12.13 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)
Licence

Dates et versions

tel-05107273 , version 1 (11-06-2025)

Licence

Identifiants

  • HAL Id : tel-05107273 , version 1

Citer

Giovanni Michele Cherchi. Generative methods for polymer dynamics and structure. Material chemistry. Université Clermont Auvergne, 2024. English. ⟨NNT : 2024UCFA0108⟩. ⟨tel-05107273⟩
207 Consultations
135 Téléchargements

Partager

  • More