Metoda AI radykalnie przyspiesza przewidywanie właściwości cieplnych materiałów

Gdyby naukowcy mogli lepiej przewidywać, jak ciepło przemieszcza się przez półprzewodniki i izolatory, mogliby projektować bardziej wydajne systemy wytwarzania energii. Jednak właściwości termiczne materiałów mogą być niezwykle trudne do modelowania.

Problem dotyczy fononów, czyli cząstek subatomowych przenoszących ciepło. Niektóre właściwości termiczne materiału zależą od pomiaru zwanego relacją dyspersji fononów, którą niezwykle trudno uzyskać, nie mówiąc już o wykorzystaniu w projektowaniu systemu.

Zespół badaczy z MIT i innych uczelni podjął się tego wyzwania, przemyślając problem od podstaw. Rezultatem ich pracy jest nowy framework uczenia maszynowego, który może przewidywać relacje dyspersji fononów nawet 1000 razy szybciej niż inne techniki oparte na sztucznej inteligencji, z porównywalną lub nawet lepszą dokładnością. W porównaniu z bardziej tradycyjnymi podejściami nieopartymi na sztucznej inteligencji może być 1 milion razy szybszy.

Ta metoda może pomóc inżynierom projektować systemy wytwarzania energii, które produkują więcej mocy, bardziej wydajnie. Może być również stosowana do opracowywania bardziej wydajnej mikroelektroniki, ponieważ zarządzanie ciepłem pozostaje głównym wąskim gardłem w przyspieszaniu elektroniki.

„Fonony są odpowiedzialne za utratę ciepła, jednak uzyskanie ich właściwości jest niezwykle trudne, zarówno obliczeniowo, jak i eksperymentalnie” – mówi Mingda Li, adiunkt nauk jądrowych i inżynierii oraz starszy autor artykułu na temat tej techniki.

Do Li w artykule dołączyli współautorzy Ryotaro Okabe, student chemii; i Abhijatmedhi Chotrattanapituk, student elektrotechniki i informatyki; Tommi Jaakkola, profesor elektrotechniki i informatyki im. Thomasa Siebela na MIT; a także inni z MIT, Argonne National Laboratory, Harvard University, University of South Carolina, Emory University, University of California w Santa Barbara i Oak Ridge National Laboratory. Badania ukazały się w Natura Obliczeniowa Nauka.

Przewidywanie fononów

Trudno przewidzieć, jakie fonony przenoszą ciepło, ponieważ charakteryzują się niezwykle szerokim zakresem częstotliwości, a cząsteczki oddziałują ze sobą i poruszają się z różnymi prędkościami.

Relacja dyspersji fononów materiału to relacja między energią i pędem fononów w jego strukturze krystalicznej. Przez lata naukowcy próbowali przewidywać relacje dyspersji fononów za pomocą uczenia maszynowego, ale jest tak wiele obliczeń o wysokiej precyzji, że modele grzęzną.

„Jeśli masz 100 procesorów i kilka tygodni, prawdopodobnie możesz obliczyć relację dyspersji fononów dla jednego materiału. Cała społeczność naprawdę chce bardziej wydajnego sposobu, aby to zrobić”, mówi Okabe.

Modele uczenia maszynowego, których naukowcy często używają do tych obliczeń, są znane jako sieci neuronowe grafów (GNN). GNN przekształca strukturę atomową materiału w graf krystaliczny składający się z wielu węzłów, które reprezentują atomy, połączonych krawędziami, które reprezentują wiązania międzyatomowe między atomami.

Chociaż sieci GNN dobrze sprawdzają się w obliczaniu wielu wielkości, takich jak namagnesowanie lub polaryzacja elektryczna, nie są wystarczająco elastyczne, aby skutecznie przewidywać niezwykle wielowymiarową wielkość, taką jak relacja dyspersji fononów. Ponieważ fonony mogą przemieszczać się wokół atomów na osiach X, Y i Z, ich przestrzeń pędu jest trudna do modelowania za pomocą stałej struktury grafu.

Aby uzyskać potrzebną elastyczność, Li i jego współpracownicy opracowali wirtualne węzły.

Tworzą to, co nazywają wirtualną siecią neuronową grafu węzłów (VGNN), dodając serię elastycznych wirtualnych węzłów do ustalonej struktury krystalicznej, aby reprezentować fonony. Wirtualne węzły umożliwiają, aby wyjście sieci neuronowej zmieniało rozmiar, więc nie jest ograniczone ustaloną strukturą krystaliczną.

Wirtualne węzły są połączone z grafem w taki sposób, że mogą odbierać wiadomości tylko z rzeczywistych węzłów. Podczas gdy wirtualne węzły będą aktualizowane, gdy model aktualizuje rzeczywiste węzły podczas obliczeń, nie wpływają one na dokładność modelu.

„Sposób, w jaki to robimy, jest bardzo wydajny w kodowaniu. Po prostu generujesz kilka węzłów więcej w swojej GNN. Fizyczna lokalizacja nie ma znaczenia, a prawdziwe węzły nawet nie wiedzą, że węzły wirtualne tam są” — mówi Chotrattanapituk.

Wycinanie złożoności

Ponieważ VGNN posiada wirtualne węzły reprezentujące fonony, może pominąć wiele złożonych obliczeń podczas szacowania relacji dyspersji fononów, co sprawia, że ​​metoda ta jest bardziej wydajna niż standardowa GNN.

Naukowcy zaproponowali trzy różne wersje VGNN o rosnącej złożoności. Każda z nich może być używana do przewidywania fononów bezpośrednio z współrzędnych atomowych materiału.

Ponieważ ich podejście ma elastyczność szybkiego modelowania właściwości wielowymiarowych, mogą go używać do szacowania relacji dyspersji fononów w układach stopowych. Te złożone kombinacje metali i niemetali są szczególnie trudne dla tradycyjnych podejść do modelowania.

Naukowcy odkryli również, że VGNN oferują nieco większą dokładność przy przewidywaniu pojemności cieplnej materiału. W niektórych przypadkach błędy przewidywania były o dwa rzędy wielkości niższe przy ich technice.

Li twierdzi, że za pomocą sieci VGNN można w ciągu kilku sekund obliczyć relacje dyspersji fononów dla kilku tysięcy materiałów przy użyciu komputera osobistego.

Taka wydajność może umożliwić naukowcom przeszukiwanie większego obszaru w poszukiwaniu materiałów o określonych właściwościach termicznych, takich jak lepsze magazynowanie ciepła, konwersja energii lub nadprzewodnictwo.

Co więcej, technika wirtualnych węzłów nie jest ograniczona wyłącznie do fononów i można ją stosować także do przewidywania trudnych właściwości optycznych i magnetycznych.

W przyszłości naukowcy chcą udoskonalić tę technikę, tak aby węzły wirtualne miały większą czułość i mogły wychwytywać drobne zmiany mogące wpływać na strukturę fononów.

„Naukowcy zbyt wygodnie używali węzłów grafu do reprezentowania atomów, ale możemy to przemyśleć. Węzły grafu mogą być wszystkim. A węzły wirtualne to bardzo ogólne podejście, którego można użyć do przewidywania wielu wielowymiarowych wielkości” — mówi Li.

Prace te są wspierane przez Departament Energii USA, Narodową Fundację Naukową, stypendium Mathworks, stypendium Sow-Hsin Chen, Harvard Quantum Initiative i Oak Ridge National Laboratory.