全球能源的70%最终以废热的形式被浪费掉。科学家们一直在努力预测热量在半导体和绝缘体中的传递方式，以期设计出更高效的发电系统。然而，材料的热特性模拟一直是个难题。
声子——一种携带热量的亚原子粒子——是问题的核心。某些材料的热性能依赖于声子色散关系的测量，这不仅难以获取，更难在系统设计中应用。
麻省理工学院等机构的研究人员通过重新思考这一问题，开发出了一种新的机器学习框架，能够预测声子色散关系。其速度比其他AI技术快1000倍，精度不减反增，相较于传统非AI方法更是快了100万倍。
这种方法不仅能帮助设计更高效的发电系统，还能用于开发更高效的微电子产品，因为热管理是电子产品性能提升的关键瓶颈。
“声子是热损失的罪魁祸首，但无论是计算还是实验上，获取其性质都极具挑战性，”麻省理工学院核科学与工程副教授李明达说。
与李明达共同发表论文的还有来自麻省理工学院、阿贡国家实验室、哈佛大学等多所机构的研究人员。这项研究发表在《自然计算科学》杂志上。
声子的预测之所以困难，是因为它们频率范围广，相互作用复杂，传播速度各异。声子色散关系反映了材料晶体结构中声子的能量与动量关系。多年来，研究人员尝试使用机器学习来预测这一关系，但高精度计算的需求使模型陷入困境。
“如果你有100个CPU和几周的时间，你可能可以计算出一种材料的声子色散关系。整个社区都在寻找更有效的方法，”研究生Ryotaro Okabe说。
常用的机器学习模型是图神经网络(GNN)，它将材料的原子结构转换为由节点和边构成的晶体图。然而，GNN在预测高维度的声子色散关系时不够灵活。
为了解决这一问题，李明达和他的团队设计了虚拟节点。他们在固定晶体结构中加入灵活的虚拟节点来表示声子，创造了虚拟节点图神经网络(VGNN)。这种方法使神经网络的输出可以灵活变化，不受固定晶体结构的限制。
虚拟节点只从真实节点接收信息，在计算过程中更新，但不影响模型的准确性。“我们这样做的方式是非常有效的编码。你只需要在GNN中生成更多的节点。物理位置并不重要，真实节点甚至不知道虚拟节点在那里，”研究生Abhijatmedhi Chotrattanapituk说。
由于VGNN使用虚拟节点来表示声子，它可以跳过许多复杂的计算，使得预测声子色散关系变得更加高效。研究人员提出了三种不同复杂度的VGNN版本，每一种都能直接从材料的原子坐标预测声子。
这种方法的灵活性使其能够估计合金系统中的声子色散关系，这些复杂的金属和非金属组合对传统建模方法来说尤其具有挑战性。
研究还发现，VGNN在预测材料的热容量时，准确性略高。在某些情况下，预测误差降低了两个数量级。
李明达表示，VGNN可以在个人电脑上几秒钟内计算出数千种材料的声子色散关系。这种效率可以让科学家在寻找具有特定热性能的材料时，如热储存、能量转换或超导性，搜索更大的空间。
此外，虚拟节点技术不仅仅适用于声子，也可以用于预测具有挑战性的光学和磁性特性。
未来，研究人员希望改进这项技术，使虚拟节点更敏感，以捕捉可能影响声子结构的微小变化。
“研究人员习惯于用图节点表示原子，但我们可以重新思考。图节点可以是任何东西，而虚拟节点是一种非常通用的方法，可以预测许多高维量，”李明达说。
杜克大学的Olivier Delaire教授没有参与这项工作，他评价说：“作者的创新方法通过虚拟节点结合关键的物理信息元素，如波矢量相关的带结构和动态矩阵，显著增强了图形神经网络对固体的描述。我发现预测复杂声子特性的加速水平是惊人的，比最先进的通用机器学习原子间势快几个数量级。令人印象深刻的是，先进的神经网络捕捉到精细的特征，并遵守物理规则。扩展模型来描述其他重要的材料特性有很大的潜力：电子、光学、磁性光谱和能带结构浮现在脑海中。”
本文来自作者[svs]投稿，不代表立场，如若转载，请注明出处：http://ibmjournal.com/post/3445.html
评论列表（4条）
我是的签约作者“svs”！
希望本篇文章《人工智能技术显著提升了材料热性能预测的效率》能对你有所帮助！
本站[]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览： 全球能源的70%最终以废热的形式被浪费掉。科学家们一直在努力预测热量在半导体和绝缘体中的传递方式，以期设计出更高效的发电系统。然而，材料的热特性模拟一直是个难题。 声...