29.07.2024. - ИИ ускоряет прогнозирование тепловых свойств материалов

ИИ ускоряет прогнозирование тепловых свойств материалов

Подсчитано, что около 70% энергии, вырабатываемой во всем мире, превращается в отработанное тепло. Если бы ученые могли лучше предсказать, как тепло проходит через полупроводники и изоляторы, они могли бы разработать более эффективные системы выработки электроэнергии. Однако тепловые свойства материалов могут быть чрезвычайно сложными для моделирования.

Проблема возникает из-за фононов, которые представляют собой субатомные частицы, переносящие тепло. Некоторые тепловые свойства материала зависят от измерения, называемого коэффициентом дисперсии фононов, которое может быть невероятно трудно получить, не говоря уже об использовании при проектировании системы.

Команда исследователей из Массачусетского технологического института и других организаций решила эту проблему, переосмыслив ее с нуля. Результатом их работы стала новая система машинного обучения, которая может предсказывать дисперсионные соотношения фононов в 1000 раз быстрее, чем другие методы, основанные на искусственном интеллекте, с сопоставимой или даже лучшей точностью. По сравнению с более традиционными подходами, не основанными на искусственном интеллекте, это может быть в 1 миллион раз быстрее.

Этот метод может помочь инженерам разрабатывать системы производства энергии, которые будут производить больше энергии и более эффективно. Его также можно использовать для разработки более эффективной микроэлектроники, поскольку управление тепловыделением остается основным препятствием на пути ускорения работы электроники.

"Фононы являются причиной тепловых потерь, однако получение их свойств, как известно, является сложной задачей как с точки зрения вычислений, так и экспериментально", - говорит Мингда Ли, доцент кафедры ядерных наук и инженерии и старший автор статьи, посвященной этому методу.

К Ли присоединились соавторы статьи - Ритаро Окабе, аспирант химического факультета; и Абхиджатмедхи Чотраттанапитук, аспирант кафедры электротехники и компьютерных наук; Томми Яаккола, профессор электротехники и компьютерных наук Томаса Сибеля в Массачусетском технологическом институте; а также другие сотрудники Массачусетского технологического института, Аргоннской национальной лаборатории, Гарварда Университет, Университет Южной Каролины, Университет Эмори, Калифорнийский университет в Санта-Барбаре и Национальная лаборатория Ок-Риджа.

Исследование опубликовано в журнале Nature Computational Science.

Предсказание фононов

Теплоносящие фононы сложно предсказать, поскольку они имеют чрезвычайно широкий диапазон частот, а частицы взаимодействуют и движутся с разной скоростью.

Коэффициент дисперсии фононов в материале - это соотношение между энергией и импульсом фононов в его кристаллической структуре. В течение многих лет исследователи пытались предсказать дисперсионные соотношения фононов с помощью машинного обучения, но требуется так много высокоточных вычислений, что модели запутываются.

"Если у вас есть 100 процессоров и несколько недель, вы, вероятно, сможете рассчитать коэффициент рассеяния фононов для одного материала. Все сообщество действительно хочет найти более эффективный способ сделать это", - говорит Окабе.

Модели машинного обучения, которые ученые часто используют для этих вычислений, известны как графовые нейронные сети (GNN). GNN преобразует атомную структуру материала в кристаллический граф, состоящий из множества узлов, представляющих атомы, соединенных ребрами, которые представляют межатомные связи между атомами.

Хотя GNNS хорошо подходят для расчета многих величин, таких как намагниченность или электрическая поляризация, они недостаточно гибки, чтобы эффективно предсказывать чрезвычайно крупномасштабные величины, такие как соотношение дисперсии фононов. Поскольку фононы могут перемещаться вокруг атомов по осям X, Y и Z, их импульсное пространство трудно смоделировать с помощью фиксированной графической структуры.

Чтобы добиться необходимой гибкости, Ли и его коллеги разработали виртуальные узлы.

Они создают так называемую нейронную сеть с графом виртуальных узлов (VGNN), добавляя ряд гибких виртуальных узлов к фиксированной кристаллической структуре для представления фононов. Виртуальные узлы позволяют нейронной сети изменять размер выходных данных, поэтому они не ограничены фиксированной кристаллической структурой.

Виртуальные узлы подключены к графу таким образом, что они могут получать сообщения только от реальных узлов. Хотя виртуальные узлы будут обновляться по мере того, как модель обновляет реальные узлы во время вычислений, они не влияют на точность модели.

"Способ, которым мы это делаем, очень эффективен при кодировании. Вы просто создаете еще несколько узлов в своем GNN. Физическое местоположение не имеет значения, и реальные узлы даже не знают о существовании виртуальных узлов", - говорит Чотраттанапитук.

Это позволяет избежать сложностей

Поскольку в нем есть виртуальные узлы для представления фононов, VGNN может пропускать многие сложные вычисления при оценке дисперсионных соотношений фононов, что делает этот метод более эффективным, чем стандартный GNN.

Исследователи предложили три различных варианта VGNNS с возрастающей сложностью. Каждый из них может быть использован для прогнозирования фононов непосредственно по атомным координатам материала.

Поскольку их подход позволяет быстро моделировать многомерные свойства, они могут использовать его для оценки дисперсионных соотношений фононов в системах сплавов. Эти сложные комбинации металлов и неметаллов особенно сложны для традиционных подходов к моделированию.

Исследователи также обнаружили, что VGNNs обеспечивает несколько большую точность при прогнозировании теплоемкости материала. В некоторых случаях ошибки прогнозирования были на два порядка ниже при использовании этого метода.

Ли говорит, что VGNN можно использовать для расчета коэффициентов дисперсии фононов для нескольких тысяч материалов всего за несколько секунд с помощью персонального компьютера.

Такая эффективность может позволить ученым исследовать большее пространство при поиске материалов с определенными тепловыми свойствами, такими как превосходное сохранение тепла, преобразование энергии или сверхпроводимость.

Более того, метод виртуальных узлов применим не только к фононам и может также использоваться для прогнозирования сложных оптических и магнитных свойств.

В будущем исследователи хотят усовершенствовать этот метод, чтобы виртуальные узлы обладали большей чувствительностью к обнаружению небольших изменений, которые могут повлиять на структуру фононов.

"Исследователям стало слишком удобно использовать графические узлы для представления атомов, но мы можем переосмыслить это. Графические узлы могут быть любыми. А виртуальные узлы - это очень общий подход, который можно использовать для предсказания множества многомерных величин", - говорит Ли.

"Инновационный подход авторов значительно расширяет описание твердых тел нейронной сетью graph за счет включения ключевых элементов, основанных на физике, через виртуальные узлы, например, для создания зонных структур, зависящих от волнового вектора, и динамических матриц", - говорит Оливье Делер, доцент кафедры машиностроения и материаловедения университета Томаса Лорда. Университет Дьюка, который не принимал участия в этой работе.

"Я нахожу, что уровень ускорения при прогнозировании сложных свойств фононов поразителен, на несколько порядков быстрее, чем при использовании современных универсальных систем машинного обучения на межатомном уровне. Впечатляет, что усовершенствованная нейронная сеть улавливает мельчайшие особенности и подчиняется физическим правилам.

"Существует большой потенциал для расширения модели для описания других важных свойств материала: на ум приходят электронные, оптические и магнитные спектры и зонные структуры".

Источник