Nachricht

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

heißer Sommertag,Smartphones, Tablets und andere elektronische Geräte verursachen häufig Leistungs- und Sicherheitsprobleme aufgrund von „Überhitzung“ . Bei der Gestaltung elektronischer Produkte mit besserer Wärmeableitung sind Materialien der Schlüssel.

Einer der wichtigsten Links ist:Sagen Sie die thermischen Eigenschaften von Materialien genau voraus。

Die Hauptträger, die Wärme in Materialien transportieren, sind Phononen, und der Transport- und Streumechanismus der Phononen an der Grenzfläche bestimmt die Wärmeleitfähigkeit des Materials. Daher ist die genaue Modellierung der Phononenstreubeziehung zum Schlüssel zur Vorhersage der thermischen Eigenschaften von Materialien geworden.

Heutzutage aNeue Methoden der Künstlichen Intelligenz (KI).Beschleunigt die Vorhersage thermischer Materialeigenschaften im Vergleich zu herkömmlichen Modellen des maschinellen Lernens erheblichUm das Hundert- bis Tausendfache erhöht。

Kürzlich haben ein Forschungsteam des Massachusetts Institute of Technology (MIT) und seine Mitarbeiter wichtige Durchbrüche auf diesem Gebiet erzielt. Sie haben ein neuronales Netzwerk namens „Virtual Node Graph Neural Network“ (VGNN) entwickelt.VGNN kann die Berechnung der Phononendispersionsbeziehungen für Tausende von Materialien in nur wenigen Sekunden auf einem PC durchführen.。

Die entsprechende Forschungsarbeit trägt den Titel „Virtual Node Graph Neural Network for Full Phonon Prediction“ und wurde in der Fachzeitschrift Nature Computational Science veröffentlicht.

Die Studie ergab, dass VGNN nicht nur bei der Phononenvorhersage erfolgreich war, sondern auchSagen Sie andere komplexe Materialeigenschaften wie elektronische Bandstruktur, optische Absorptionsspitzen und Magnetismus vorausEs zeigt auch ein gewisses Potenzial.

Die Vorhersagegeschwindigkeit wird um das Hundert- oder Tausendfache erhöht

Es wird geschätzt, dass etwa die Hälfte der weltweit erzeugten Energie ausmacht70%Letztendlich wird daraus Abwärme.

Wenn Wissenschaftler besser vorhersagen können, wie sich Wärme durch Halbleiter und Isolatoren bewegt, können sie effizientere Stromerzeugungssysteme entwickeln. Allerdings sind die thermischen Eigenschaften von Materialien äußerst schwierig zu modellieren.

Die thermischen Eigenschaften von Materialien werden durch eine Vielzahl komplexer Faktoren beeinflusst, wie z. B. die Mikrostruktur des Materials, die Atomanordnung und die chemische Bindung. Seine thermischen Eigenschaften sind stark nichtlinear und mehrskalig.

Die Vorhersage der thermischen Eigenschaften von Materialien hängt hauptsächlich von der Messung der Phononenstreuungsbeziehungen ab. Herkömmliche experimentelle Mess- und theoretische Berechnungsmethoden stellen hohe Anforderungen an die experimentelle Ausrüstung und den Betrieb, sind zeitaufwändig und kostspielig und lassen sich nur schwer den Anforderungen einer schnellen Vorhersage erfüllen groß angelegte Vorführung.

Beim Einsatz von maschinellem Lernen zur Vorhersage von Materialeigenschaften ist der Mess- und Modellierungsprozess von Phononenstreuungsbeziehungen aufgrund des Einflusses experimenteller Messungen, rechnerischer Modellierung und anderer Faktoren äußerst kompliziert und derzeit schwierig, genau vorherzusagen.

In dieser Arbeit kann VGNN variable oder sogar beliebigdimensionale Ausgabeeigenschaften durch die Einführung virtueller Knoten verarbeiten und ermöglicht so die Berechnung der regionalen zentralen Phononenenergie und der vollständigen Phononenbandstruktur direkt aus der Atomstruktur in komplexen Materialien sowie eine größere Optimierung der Phononeneigenschaften wird im strukturellen Entwurfsraum erreicht.

Abbildung |. Überblick über die VGNN-Methode als allgemeine Methode zur Verbesserung graphischer neuronaler Netze

Konkret schlug das Forschungsteam drei verschiedene Schemata zur Verbesserung virtueller Knoten vor, nämlich Vector Virtual Node (VVN), Matrix Virtual Node (MVN) und Impuls-Related Matrix Virtual Node (k-MVN).

Das VVN-Schema erhält das Phononenspektrum direkt von virtuellen Knoten, es gibt jedoch einen Engpass bei der Informationsübertragung. Das MVN-Schema prognostiziert die Phononenenergie durch den Aufbau einer virtuellen dynamischen Matrix, die die thermischen Eigenschaften komplexer Materialien zuverlässig vorhersagen kann nutzt die Elementarzellentranslation, um eine Impulsabhängigkeit zu erzeugen und so die vollständige Phononenbandstruktur zu erhalten.

Die Ergebnisse zeigen, dass diese Methoden erfolgreich Phononenstreuungsbeziehungen in komplexen Materialien vorhersagen.

Um die Leistung des VGNN-Modells zu testen, entwarf das Forschungsteam eine Reihe von Experimenten mit 8 GPUs, um in weniger als 5 Stunden mehr als 146.000 Vorhersageergebnisse zu generieren, wobei Materialien mit bis zu 400 Atomen in einer einzelnen Elementarzelle beteiligt waren.

Derzeit ist MLIP die wichtigste Methode zur Phononenvorhersage im Bereich des maschinellen Lernens, daher verglichen Forscher in Experimenten die Leistung von VGNN und MLIP im Hinblick auf Genauigkeit und Effizienz.

Abbildung |. Vergleich der Berechnungszeit und Laufzeit von VGNN und MLIP

Experimentelle Ergebnisse zeigen, dass VGNN die Geschwindigkeit der Vorhersage von Phononendiffusionsbeziehungen systematisch um das Hundert- bis Tausendefache verbessert. Die Forscher sagten, dass VGNN eine einzigartige Methode zur direkten Ableitung der Elemente der dynamischen Matrix verwendet und dabei die Schritte der Rechenleistung, der Ableitungen interatomarer Potentiale zweiter Ordnung und der Fourier-Transformationen, die im MLIP-Berechnungsprozess verwendet werden, umgeht und so die Vorhersageeffizienz erheblich verbessert.

Darüber hinaus übertrifft das VGNN-Modell nicht nur die Genauigkeit der Vorhersage komplexer Materialeigenschaften, sondern verbessert auch die Recheneffizienz erheblich. Alle drei Modelle zeigen eine starke Leistung bei der Vorhersage der Wärmekapazität, und das k-MVN-Modell weist den kleinsten Fehler auf .

Das Forschungsteam wies außerdem darauf hin, dass durch die Einführung eines auf dem physischen Modell basierenden Additionsschemas für virtuelle Knoten die Extrapolationsfähigkeit des Modells beim Umgang mit komplexen Materialien deutlich verbessert wurde.

Figure｜k-MVN sagt die vollständige Phononen-Teilbandstruktur voraus

Die MVN- und k-MVN-Schemata zeigen hervorragende Verallgemeinerungsfähigkeiten in komplexen Materialien mit Hunderten von atomaren Elementarzellen, was auch zeigt, dass beim Entwurf von Schemata zum Hinzufügen virtueller Knoten eine sorgfältige Berücksichtigung der physikalischen Basis des Problems das Erscheinungsbild des Push-Modells verbessern kann Fähigkeit.

Untersuchungen zeigen, dass die allgemeine Phononenbandstruktur zwar relativ komplex ist, das k-MVN-Modell jedoch dennoch die Position und Form des Phononenbands vorhersagen kann, beispielsweise die Lücken zwischen verschiedenen optischen Zweigen.

Das Forschungsteam verwendete auch Virtual Node GNN, um die Phononeneigenschaften von Legierungen mit hoher Entropie zu berechnen, und erstellte eine Phononenstreuungsdatenbank für mehr als 100.000 Materialien. Dieser Durchbruch verbessert nicht nur die Effizienz und Genauigkeit der Phononenvorhersage erheblich, sondern bietet auch ein leistungsstarkes Werkzeug für zukünftiges Materialdesign und -optimierung.

Mängel und Perspektiven

Obwohl das VGNN-Modell großes Potenzial bei der Vorhersage thermischer Materialeigenschaften gezeigt hat, stellte das Forschungsteam auch fest, dass es mit dem k-MVN-Modell immer noch schwierig ist, den Einfluss weitreichender Wechselwirkungen bei der Vorhersage elektronischer Bandstrukturen zu erfassen.

Um diese Probleme zu lösen, plant das Forschungsteam, die Modellleistung weiter zu verbessern, indem das Design virtueller Knoten optimiert und die Vielfalt der Trainingsdatensätze erhöht wird.

Es wird erwartet, dass die VGNN-Methode in Zukunft auf ein breiteres Spektrum von Materialvorhersagefeldern angewendet wird, einschließlich der optimalen Gestaltung von Legierungen, Grenzflächen und amorphen Feststoffmaterialien. Und,Diese Technologie wird nicht nur dazu beitragen, die Entdeckung und Anwendung neuer Materialien zu beschleunigen, sondern auch die Entwicklung von High-Tech-Bereichen wie Energieumwandlung, thermischer Energiespeicherung und supraleitenden Materialien vorantreiben.。

https://www.nature.com/articles/s43588-024-00661-0

https://www.nature.com/articles/s43588-024-00665-w

｜Klicken Sie, um mir zu folgen und denken Sie daran, einen Stern zu setzen｜