Якби вчені могли краще передбачати, як тепло рухається через напівпровідники та ізолятори, вони могли б розробляти ефективніші системи генерації електроенергії. Однак теплові властивості матеріалів надзвичайно важко піддаються моделюванню.
Проблему створюють фонони — субатомні частинки, які переносять тепло. Деякі теплові властивості матеріалу залежать від вимірювання, яке називається відношенням дисперсії фононів, яке може бути неймовірно складно отримати, не кажучи вже про те, щоб використати його при проєктуванні системи.
Команда дослідників з Массачусетського технологічного інституту та інших університетів вирішила цю проблему, переосмисливши її з нуля. Результатом їхньої роботи стала нова система машинного навчання, яка може передбачати співвідношення фононної дисперсії в 1 тис. разів швидше, ніж інші методи на основі штучного інтелекту, з порівнянною або навіть кращою точністю. Порівняно з традиційнішими підходами, що не базуються на AI, це може бути в 1 млн разів швидше.
Цей метод може допомогти інженерам проєктувати системи генерації енергії, які виробляють більше енергії та є більш ефективними. Він також може бути використаний для розробки ефективнішої мікроелектроніки, оскільки управління теплом залишається основним вузьким місцем для прискорення роботи електроніки.
“Фонони є винуватцями теплових втрат, але отримання їхніх властивостей, як відомо, є дуже складним завданням, як обчислювальним, так і експериментальним”, – говорить Мінгда Лі, доцент ядерної науки та інженерії і старший автор статті про цю методику. Фонони, що переносять тепло, складно передбачити, оскільки вони мають надзвичайно широкий діапазон частот, а частинки взаємодіють і рухаються з різною швидкістю.
Фононна дисперсія матеріалу – це співвідношення між енергією та імпульсом фононів у його кристалічній структурі. Протягом багатьох років дослідники намагалися передбачити співвідношення фононної дисперсії за допомогою машинного навчання, але існує так багато високоточних обчислень, що моделі застрягають. “Якщо у вас є 100 процесорів і кілька тижнів, ви, ймовірно, могли б розрахувати співвідношення фононної дисперсії для одного матеріалу. Уся спільнота справді прагне ефективнішого способу зробити це”, – каже Окабе.
Моделі машинного навчання, які вчені часто використовують для таких розрахунків, відомі як графові нейронні мережі (GNN). GNN перетворює атомну структуру матеріалу на кристалічний граф, що складається з безлічі вузлів, які представляють атоми, з’єднані ребрами, які представляють міжатомні зв’язки між атомами.
Хоча GNN добре працюють для обчислення багатьох величин, таких як намагніченість або електрична поляризація, вони недостатньо гнучкі, щоб ефективно передбачати такі надзвичайно високорозмірні величини, як відношення фононної дисперсії. Оскільки фонони можуть рухатися навколо атомів по осях X, Y і Z, їхній імпульсний простір важко моделювати за допомогою фіксованої графової структури. Щоб отримати необхідну гнучкість, Лі та його колеги розробили віртуальні вузли.
Вони створили так звану нейронну мережу з віртуальним графом вузлів (VGNN), додавши до фіксованої кристалічної структури серію гнучких віртуальних вузлів, які представляють фонони. Віртуальні вузли дозволяють нейронній мережі змінювати розмір, тому вона не обмежена фіксованою кристалічною структурою.
Віртуальні вузли з’єднані з графом таким чином, що вони можуть отримувати повідомлення тільки від реальних вузлів. Хоча віртуальні вузли оновлюватимуться в міру того, як модель оновлює реальні вузли під час обчислень, вони не впливають на точність моделі. “Те, як ми це робимо, дуже ефективно в кодуванні. Ви просто генеруєте ще кілька вузлів у вашій GNN. Фізичне розташування не має значення, і реальні вузли навіть не знають, що віртуальні вузли існують”, – кажуть інженери.
Оскільки VGNN має віртуальні вузли для представлення фононів, він може пропустити багато складних обчислень при оцінці співвідношення фононної дисперсії, що робить метод більш ефективним, ніж стандартний GNN. Дослідники запропонували три різні версії VGNN зі зростаючою складністю. Кожна з них може бути використана для прогнозування фононів безпосередньо з атомних координат матеріалу.
Оскільки їхній підхід має гнучкість для швидкого моделювання високорозмірних властивостей, вони можуть використовувати його для оцінки фононно-дисперсійних співвідношень у системах сплавів. Ці складні комбінації металів і неметалів є особливо складними для моделювання традиційними підходами.
Дослідники також виявили, що VGNN пропонують дещо більшу точність при прогнозуванні тепломісткості матеріалу. У деяких випадках помилки прогнозування були на два порядки нижчими за допомогою цього методу. За словами Лі, VGNN можна використовувати для розрахунку фононно-дисперсійних співвідношень для кількох тисяч матеріалів всього за кілька секунд за допомогою персонального комп’ютера. Така ефективність може дозволити вченим шукати матеріали з певними тепловими властивостями, такими як чудове зберігання тепла, перетворення енергії або надпровідність, на більшій площі.
Щобільше, техніка віртуальних вузлів не обмежується лише фононами, а може бути використана для прогнозування складних оптичних і магнітних властивостей. У майбутньому дослідники хочуть вдосконалити цей метод, щоб віртуальні вузли мали більшу чутливість до малих змін, які можуть вплинути на структуру фононів.
“Дослідники занадто звикли до використання вузлів графа для представлення атомів, але ми можемо це переосмислити. Вузли графа можуть бути чим завгодно. А віртуальні вузли – це дуже загальний підхід, який можна використовувати для прогнозування багатьох багатовимірних величин”, – каже Лі.
“Інноваційний підхід авторів значно розширює графовий нейромережевий опис твердих тіл шляхом включення ключових фізично-інформаційних елементів через віртуальні вузли, наприклад, інформування про залежні від хвильового вектора смугові структури та динамічні матриці”, – говорить Олів’є Делор, доцент кафедри машинобудування та матеріалознавства ім. Томаса Лорда в Університеті Дьюка, який не брав участі в цій роботі. “Я вважаю, що рівень прискорення в прогнозуванні складних властивостей фононів вражає, на кілька порядків швидше, ніж найсучасніший універсальний міжатомний потенціал машинного навчання. Вражає те, що вдосконалена нейронна мережа вловлює тонкі особливості і підпорядковується фізичним правилам. Існує великий потенціал для розширення моделі для опису інших важливих властивостей матеріалів: На думку спадають електронні, оптичні та магнітні спектри і зонні структури”.
Ця робота підтримується Міністерством енергетики США, Національним науковим фондом, стипендією Mathworks, стипендією Соу-Сін Чен, Гарвардською квантовою ініціативою та Окриджською національною лабораторією.
Читайте також:
Leave a Reply