AI方法大幅加速材料熱性能預測
這種方法可以幫助工程師設計更高效的能量轉換系統和更快的微電子設備，減少廢熱。
Adam Zewe | MIT News
發布日期：
2024年7月16日
預計全球產生的能量中約有70％最終變成了廢熱。
如果科學家們能夠更好地預測熱如何穿過半導體和絕緣體，他們就可以設計出更高效的發電系統。然而，材料的熱性能極難建模。
問題出在聲子上，這是攜帶熱量的亞原子粒子。材料的一些熱性能取決於一種稱為聲子色散關係的測量，這種測量極難獲得，更不用說在系統設計中利用了。
來自麻省理工學院及其他地方的一組研究人員從頭開始重新思考這個問題。他們的工作成果是一種新的機器學習框架，可以比其他基於AI的技術快1000倍地預測聲子色散關係，且精確度相似甚至更高。與更傳統的非AI方法相比，它可以快100萬倍。
這種方法可以幫助工程師設計出產生更多能量、更高效的發電系統。由於管理熱量仍然是加快電子設備速度的主要瓶頸，它還可以用於開發更高效的微電子設備。
麻省理工學院核科學與工程副教授、該技術論文的主要作者Mingda Li說：“聲子是熱損失的罪魁禍首，但獲得它們的性能無論在計算上還是實驗上都非常困難。”
Li與該論文的共同主要作者Ryotaro Okabe（化學研究生）和Abhijatmedhi Chotrattanapituk（電氣工程與計算機科學研究生），以及麻省理工學院、阿貢國家實驗室、哈佛大學、南卡羅來納大學、埃默里大學、加州大學聖塔芭芭拉分校和橡樹嶺國家實驗室的其他人一起進行了這項研究。該研究發表在《自然計算科學》上。
預測聲子
攜帶熱量的聲子難以預測，因為它們具有極廣的頻率範圍，且這些粒子以不同速度相互作用和移動。
材料的聲子色散關係是其晶體結構中聲子的能量與動量之間的關係。多年來，研究人員一直試圖使用機器學習來預測聲子色散關係，但涉及如此多高精度計算，模型會變得負擔過重。
Okabe說：“如果你有100個CPU和幾個星期的時間，你可能可以計算出一種材料的聲子色散關係。整個社區都非常希望有一種更高效的方法來做這件事。”
科學家們通常用於這些計算的機器學習模型被稱為圖神經網絡（GNN）。GNN將材料的原子結構轉換為由多個節點（表示原子）組成的晶體圖，這些節點由邊連接，表示原子之間的鍵合。
雖然GNN在計算磁化或電極化等許多量上表現良好，但它們不夠靈活，無法高效預測像聲子色散關係這樣的極高維量。因為聲子可以在X、Y和Z軸上圍繞原子移動，它們的動量空間很難用固定的圖結構來建模。
為了獲得所需的靈活性，Li及其合作者設計了虛擬節點。
他們通過在固定的晶體結構中添加一系列靈活的虛擬節點來表示聲子，創建了一種稱為虛擬節點圖神經網絡（VGNN）的模型。虛擬節點使神經網絡的輸出尺寸可變，因此不受固定晶體結構的限制。
虛擬節點以只能從真實節點接收消息的方式連接到圖中。雖然虛擬節點在計算過程中會隨著模型更新而更新，但它們不會影響模型的準確性。
Chotrattanapituk說：“我們這樣做的方式在編碼上非常高效。你只需在GNN中生成一些更多的節點。物理位置無關緊要，真實節點甚至不知道虛擬節點的存在。”
削減複雜性
由於它有虛擬節點來表示聲子，VGNN在估計聲子色散關係時可以跳過許多複雜的計算，使得該方法比標準的GNN更高效。
研究人員提出了三種不同版本的VGNN，複雜程度逐漸增加。每種都可以從材料的原子坐標直接預測聲子。
由於他們的方法具有快速建模高維性能的靈活性，他們可以用它來估計合金系統中的聲子色散關係。這些金屬和非金屬的複雜組合對於傳統方法來說特別具有挑戰性。
研究人員還發現，在預測材料的熱容量時，VGNN提供了略微更高的準確性。在某些情況下，他們的方法的預測誤差低了兩個數量級。
Li說，使用個人電腦，VGNN可以在幾秒鐘內計算出幾千種材料的聲子色散關係。
這種效率可以讓科學家在尋找具有某些熱性能的材料時探索更大的空間，例如卓越的熱存儲、能量轉換或超導性。
此外，虛擬節點技術並不僅限於聲子，還可以用來預測挑戰性的光學和磁性性能。
未來，研究人員希望改進這項技術，使虛擬節點具有更高的靈敏度，以捕捉可能影響聲子結構的小變化。
Li說：“研究人員過於習慣於使用圖節點來表示原子，但我們可以重新思考這一點。圖節點可以是任何東西。虛擬節點是一種非常通用的方法，可以用來預測許多高維量。”
杜克大學Thomas Lord機械工程與材料科學系副教授Olivier Delaire（未參與此項工作）說：“作者的創新方法顯著增強了圖神經網絡對固體的描述，通過虛擬節點引入了關鍵的物理知識元素，例如通知波矢量依賴的帶結構和動力矩陣。我認為在預測複雜聲子性能方面的加速程度令人驚嘆，比最先進的通用機器學習原子間勢快了好幾個數量級。令人印象深刻的是，這個先進的神經網絡捕捉了精細特徵並遵循物理規律。擴展這個模型來描述其他重要材料性能的潛力巨大：電子、光學和磁譜以及帶結構都浮現於腦海。”
這項工作得到美國能源部、國家科學基金會、Mathworks獎學金、Sow-Hsin Chen獎學金、哈佛量子計劃和橡樹嶺國家實驗室的支持。
編輯評論：
這篇文章介紹了麻省理工學院的一項創新研究，利用虛擬節點圖神經網絡（VGNN）大幅提高了聲子色散關係的預測效率。這一技術突破對於能源轉換和微電子領域具有深遠的影響。文章詳細描述了虛擬節點如何提升模型靈活性和計算效率，並指出該方法在預測熱性能方面的潛力。
從編輯角度來看，這項研究展示了機器學習在材料科學中的應用潛力，特別是如何通過創新方法克服傳統技術的瓶頸。然而，值得注意的是，這項技術在實際應用中的可靠性和可擴展性仍需進一步驗證。此外，未來能否在更廣泛的材料和性能預測中實現同樣的成功，也是值得期待和探討的問題。作為媒體，我們應繼續關注這類技術的發展，並探討其在實際應用中的挑戰和機遇。
以上文章由特價GPT API KEY所翻譯
