团队开发新的方法，可将材料热性能预测速度提升数千倍

经验 2024年07月20日 17:16 755 锦钊

（来源：MITNews）据估计，全球大约70%的能源最终以废热的形式流失。

如果科学家能够更精确地预测热量如何在半导体和绝缘体中移动，他们就能设计出效率更高的电力生成系统。然而，材料的热性能，特别是与一种称为声子（Phonons）的亚原子粒子相关的特性，其预测极为复杂。声子携带热能，而材料的某些热特性取决于一种称为声子色散关系的测量方法，这种方法很难获得，更不用说在系统设计中加以利用了。

为应对这一挑战，麻省理工学院的研究者们及其合作者重新思考了整个问题。他们的成果是一种全新的机器学习框架，能够以比其他人工智能技术快1000倍的速度预测声子色散关系，同时保持同等甚至更高的精度。与传统的非AI方法相比，这种新方法的速度提升可达100万倍。

这项技术的相关论文的主要作者之一，核科学与工程学副教授MingdaLi解释说：“声子是导致热损失的罪魁祸首，然而无论是从计算上还是实验上来获取它们的性质都非常困难。”

参与这篇论文的还有共同第一作者RyotaroOkabe，一位化学研究生；以及AbhijatmedhiChotrattanapituk，一位电气工程和计算机科学的研究生；TommiJaakkola，麻省理工学院ThomasSiebel电气工程与计算机科学教授；以及来自麻省理工学院、阿贡国家实验室、哈佛大学、南卡罗来纳大学、埃默里大学、加州大学圣巴巴拉分校和橡树岭国家实验室的其他研究者。这项研究发表在NatureComputationalScience上。

（来源：NatureComputationalScience）预测声子

载热声子的频率范围极广，团队开发新的方法，可将材料热性能预测速度提升数千倍而且粒子相互作用和传播的速度各不相同，因此很难预测。

声子色散关系是指声子在其晶体结构中的能量与动量之间的关系。多年来，研究人员一直在尝试使用机器学习来预测声子色散关系，但由于涉及大量的高精度计算，模型处理起来十分缓慢。

“如果你有100个CPU并花费几周的时间，你可能能够计算出一种材料的声子色散关系。整个研究界确实需要一个更有效的方法来做这件事。”Okabe说道。

科学家们通常使用的机器学习模型被称为图神经网络（GraphNeuralNetworks,GNN）。GNN将材料的原子结构转换成由多个节点组成的晶格图，这些节点代表原子，而边则代表原子间的键合。

虽然GNN对于计算诸如磁化或电极化等许多物理量表现良好，但对于像声子色散关系这样极高维度的量来说，它们的灵活性不足。由于声子可以在X、Y和Z轴上围绕原子移动，它们的动量空间很难用固定图结构来建模。

为了获得所需的灵活性，Li和他的合作者引入了虚拟节点的概念。

他们创建了一个称为虚拟节点图神经网络（VirtualNodeGraphNeuralNetwork,VGNN），通过向固定的晶体结构添加一系列灵活的虚拟节点来表示声子。虚拟节点使神经网络的输出大小可以变化，因此不受固定晶体结构的限制。

虚拟节点以一种特殊的方式连接到图中，只接收来自真实节点的信息。虽然在计算过程中随着模型更新真实节点时，虚拟节点也会被更新，但它们不会影响模型的准确性。

“我们的做法在编码上非常高效。你只需要在你的GNN中生成几个额外的节点。物理位置并不重要，真实的节点甚至不知道虚拟节点的存在。”Chotrattanapituk说。

削减复杂度

由于具有代表声子的虚拟节点，VGNN在估计声子色散关系时可以跳过许多复杂的计算，这使得该方法比标准的GNN更高效。研究者提出了三个不同复杂度级别的VGNN版本，每种版本都可以直接从材料的原子坐标预测声子。

他们的方法具备快速模拟高维性质的灵活性，从而可以利用它来估算合金系统的声子色散关系。而对于传统方法而言，这些金属和非金属的复杂组合尤其难以建模。

研究者还发现，VGNN在预测材料的热容量方面提供了略微更高的精度。在某些情况下，预测误差比使用他们的技术低两个数量级。

Li表示，VGNN可以在几秒钟内用个人电脑计算出数千种材料的声子色散关系。

这种效率可以使科学家在寻找具有特定热性能（如卓越的热存储、能量转换或超导性）的材料时，搜索更大的空间。

此外，虚拟节点技术不仅仅局限于声子，还可以用来预测光学和磁学等其他具有挑战性的性质。

未来，研究者希望改进这一技术，使虚拟节点具有更高的敏感度，以捕捉可能影响声子结构的细微变化。

“研究人员过去过于习惯于使用图节点来表示原子，但我们应该重新思考这一点。图节点可以是任何东西。虚拟节点是一种非常通用的方法，可以用来预测大量高维度的量。”Li说。

杜克大学托马斯·洛德机械工程与材料科学系的OlivierDelaire副教授尽管没有参与这项工作，但他评论道：“作者创新的方法极大地增强了图神经网络对固体的描述，通过虚拟节点纳入了关键的物理信息元素，例如波矢量依赖的能带结构和动力学矩阵。我发现其在预测复杂的声子属性方面的加速程度是惊人的，比最先进的通用机器学习原子间势能快了几个数量级。并且令人印象深刻的是，这种先进的神经网络能够捕捉到精细特征并遵循物理规律。该模型有很大的潜力扩展到描述其他重要的材料属性：电子、光学以及磁性谱和能带结构都是可以考虑的方向。”

这项工作得到了美国能源部、国家科学基金会、Mathworks奖学金、Sow-HsinChen奖学金，哈佛量子倡议以及橡树岭国家实验室的支持。

原文链接：

https://news.mit.edu/2024/ai-method-radically-speeds-predictions-materials-thermal-properties-0716

标签：团队开发新的方法可将材料热性能预测速度提升数千倍

团队开发新的方法，可将材料热性能预测速度提升数千倍

受蝙蝠启发，研究人员开发出通过抱树降落的无人机

产品性能瞩目

最近发表

热门文章