Comment un réseau de neurones a accéléré le calcul des collisions moléculaires express
Les atomes dans un gaz se comportent comme des boules de billard : ils volent, entrent en collision et repartent dans des directions différentes. Mais au lieu de boules dures, ils ont une « fourrure » molle faite de forces d'attraction et de répulsion. À courte distance, les atomes se repoussent violemment, et à plus grande distance, ils s'attirent légèrement. Les scientifiques doivent calculer précisément ces collisions pour modéliser les flux de gaz autour des avions ou à l'intérieur des micropuces.
Auparavant, pour chaque collision, il fallait résoudre une équation complexe, et l'ordinateur y passait beaucoup de temps. Désormais, les chercheurs ont entraîné un réseau de neurones sur des millions de collisions déjà calculées. Le réseau a appris à prédire instantanément l'angle sous lequel les atomes se dispersent, avec une erreur inférieure à un dixième de degré. Grâce à cela, l'ensemble du calcul du gaz a été accéléré d'un tiers.
Cette approche est particulièrement importante pour la modélisation des gaz froids et raréfiés, où les forces d'attraction entre atomes modifient sensiblement le tableau de l'écoulement. Par exemple, dans les nouveaux calculs, le sillage derrière un cylindre dans un flux supersonique est plus large que selon les anciens modèles simplifiés. Cela signifie que les simulations précédentes pourraient sous-estimer l'influence de la raréfaction et des basses températures.
Désormais, les ingénieurs peuvent vérifier plus rapidement comment un gaz se comporte dans des conditions inhabituelles, des vols à haute altitude aux microcanaux refroidis. Et le réseau de neurones, entraîné sur la physique des collisions, continue de s'accélérer avec chaque nouveau processeur.
Résumé original
tel que rédigé par les auteurs, en anglais arXiv:2602.13601
Integrating the physically realistic Lennard--Jones (LJ) potential into Direct Simulation Monte Carlo (DSMC) remains challenging because the long-range potential complicates collision-rate definition and makes repeated scattering-angle evaluation expensive. This study develops an LJ--DSMC framework built around two methodological advances and a transport-level validation of the resulting collision kernel. First, a generalized collision-selection treatment is formulated for Bird's DSMC algorithms (DSMC1, DSMC1S, and DS2V) through a Variable Effective Diameter (VED) model obtained from local Chapman--Enskog viscosity matching. This viscosity-consistent pair-selection model provides a finite DSMC collision-rate closure for the LJ potential and is validated in helium and argon normal shocks, cryogenic supersonic Couette flow, and hypersonic cylinder flows. The results show agreement with VHS in high-temperature repulsive regimes, but reveal clear LJ effects, including reduced shear stress and larger cryogenic wakes, when attractive forces become important. Second, the computational bottleneck of the accepted LJ binary-scattering step is removed by training a Deep Operator Network (DeepONet) to predict the LJ deflection angle from high-fidelity scattering data, replacing the numerical Matsumoto--Koura integral while preserving the standard elastic post-collision update. The surrogate gives a bulk mean wrapped-angle error of \(1.6\times10^{-3}\,\mathrm{rad}\) and a 99th-percentile error of \(9.9\times10^{-3}\,\mathrm{rad}\), accelerates the collision subroutine by 40\%, and reduces total wall time by 36\%. Finally, the same DeepONet--LJ scattering kernel is tested beyond viscosity-controlled flows through diffusion benchmarks.
Le réseau de neurones prédit l'angle de déviation des atomes avec une erreur de seulement 0,0016 radian — soit environ un dixième de degré, comme si une boule de billard déviait de l'épaisseur d'un cheveu à bout de bras.