Transfer in photosynthétic light harvesting complexes

Abstract

Le transfert efficace d’énergie d’excitation (Excitation Energy Transfer, EET) dans les complexes collecteurs de lumière (Light Harvesting Complexes, LHCs) est essentiel pour comprendre les processus naturels de la photosynthèse et pour concevoir des dispositifs photovoltaïques avancés. Les LHCs, en tant que systèmes quantiques ouverts, subissent des interactions fortes entre les effets quantiques et leur environnement, influençant de manière significative l’efficacité du transfert d’énergie solaire. La simulation de ces processus de transfert d’énergie, tout en tenant compte de ces effets, est généralement réalisée à travers la dynamique quantique dissipative (Quantum Dissipative Dynamics, QDD). Cependant, les méthodes de simulation traditionnelles souffrent soit de coûts computationnels élevés en termes de temps et de stockage pour des résultats précis, soit d’une accumulation d’erreurs dans les méthodes moins précises. L’intelligence artificielle (Artificial Intelligence, AI), et particulièrement l’apprentissage automatique (Machine Learning, ML), s’impose comme une solution prometteuse pour effectuer des prédictions fiables du transfert d’énergie dans ces systèmes tout en réduisant les besoins en calcul et en stockage. Dans ce travail, nous proposons une approche ML-QDD qui utilise le ML pour prédire directement l’évolution de la QDD en fonction du temps et d’autres paramètres pertinents. Cette méthode élimine la nécessité de la propagation récursive par étapes, typiquement requise dans les méthodes QDD conventionnelles, et surpasse également les approches récursives basées sur le ML. Nous appliquons notre cadre ML-QDD à deux modèles clés : le modèle Spin-Boson (SB), simulé en utilisant la méthode des Équations Hiérarchiques de Mouvement (HEOM), et le complexe de Fenna-Matthews-Olson (FMO), simulé avec une approche d’Équation Maîtresse de Lindblad (Lindblad Master Equation, LME). Nos résultats montrent que le ML-QDD peut prédire avec précision le comportement asymptotique à long terme de la dynamique quantique, démontrant son potentiel en tant qu’alternative efficace et fiable aux simulations QDD traditionnelles.