uutiset

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

kuuma kesäpäivä,Älypuhelimet, tabletit ja muut elektroniset laitteet aiheuttavat usein suorituskyky- ja turvallisuusongelmia "ylikuumenemisen" vuoksi. . Kuinka suunnitella elektronisia tuotteita, joilla on parempi lämmönpoisto, materiaalit ovat avainasemassa.

Yksi tärkeimmistä linkeistä on:Ennusta tarkasti materiaalien lämpöominaisuudet。

Tärkeimmät materiaalien lämpöä kuljettavat kantajat ovat fononit, ja fononien kuljetus- ja sirontamekanismi rajapinnassa määrää materiaalin lämmönjohtavuuden. Siksi fononien sirontasuhteen tarkasta mallintamisesta on tullut avain materiaalien lämpöominaisuuksien ennustamiseen.

Nykyään aUusia tekoälymenetelmiäNopeuttaa huomattavasti materiaalin lämpöominaisuuksien ennustamista perinteisiin koneoppimismalleihin verrattunaKasvoi satoja tuhansia kertoja。

Äskettäin Massachusetts Institute of Technologyn (MIT) tutkimusryhmä ja heidän yhteistyökumppaninsa ovat tehneet tärkeitä läpimurtoja tällä alalla. He suunnittelivat hermoverkon nimeltä "Virtual Node Graph Neural Network" (VGNN).VGNN voi suorittaa tuhansien materiaalien fononidispersiosuhteiden laskennan muutamassa sekunnissa henkilökohtaisella tietokoneella.。

Asiaa koskeva tutkimusartikkeli on nimeltään "Virtual node graph neuro network for full fononin ennustaminen", ja se on julkaistu tieteellisessä Nature Computational Science -lehdessä.

Tutkimuksessa todettiin, että VGNN ei vain onnistunut fononien ennustamisessa, vaan myösEnnusta muita monimutkaisia ​​materiaalin ominaisuuksia, kuten elektronisen kaistan rakennetta, optisia absorptiohuippuja ja magnetismiaSe osoittaa myös jonkin verran potentiaalia.

Ennustenopeus kasvaa satoja tai tuhansia kertoja

On arvioitu, että noin maailmanlaajuisesti tuotetusta energiasta70%Lopulta siitä tulee hukkalämpöä.

Jos tutkijat voivat paremmin ennustaa lämmön liikkumista puolijohteiden ja eristeiden läpi, he voivat suunnitella tehokkaampia sähköntuotantojärjestelmiä. Materiaalien lämpöominaisuuksia on kuitenkin erittäin vaikea mallintaa.

Materiaalien lämpöominaisuuksiin vaikuttavat monet monimutkaiset tekijät, kuten materiaalin mikrorakenne, atomijärjestely ja kemiallinen sitoutuminen. Sen lämpöominaisuudet ovat erittäin epälineaariset ja monimittaiset.

Materiaalin lämpöominaisuuksien ennustaminen riippuu pääasiassa fononien sirontasuhteiden mittauksesta. Perinteisillä kokeellisilla mittaus- ja teoreettisilla laskentamenetelmillä on korkeat vaatimukset kokeelliselle laitteelle ja toiminnalle, ne ovat aikaa vieviä ja kalliita, ja niitä on vaikea vastata nopean ennustamisen ja ennusteen tarpeisiin. laajamittainen seulonta.

Käytettäessä koneoppimista materiaalien ominaisuuksien ennustamiseen, fononien sirontasuhteiden mittaus- ja mallinnusprosessi on kokeellisten mittausten, laskennallisen mallinnuksen ja muiden tekijöiden vaikutuksesta erittäin monimutkainen, ja sitä on tällä hetkellä vaikea ennustaa tarkasti.

Tässä työssä VGNN pystyy käsittelemään muuttuvia tai jopa mielivaltaisia ​​lähtöominaisuuksia ottamalla käyttöön virtuaalisia solmuja, mikä mahdollistaa alueellisen keskusfononienergian ja täyden fononikaistarakenteen laskemisen suoraan atomirakenteesta monimutkaisissa materiaaleissa sekä laajemmissa fononiominaisuuksien optimoinnissa. saavutetaan rakennesuunnittelutilassa.

Kuva | Yleiskatsaus VGNN-menetelmästä graafisen hermoverkkojen tehostamiseen

Erityisesti tutkimusryhmä ehdotti kolmea erilaista virtuaalisen solmun tehostamismallia, nimittäin vektorivirtuaalisolmua (VVN), matriisivirtuaalisolmua (MVN) ja liikemäärään liittyvää matriisivirtuaalisolmua (k-MVN).

VVN-malli saa fononispektrin suoraan virtuaalisista solmuista, mutta tiedonsiirrossa on pullonkaula käyttää yksikkösolun translaatiota liikemäärän riippuvuuden muodostamiseen saadakseen täydellisen fononikaistarakenteen.

Tulokset osoittavat, että nämä menetelmät ennustavat onnistuneesti fononien sirontasuhteita monimutkaisissa materiaaleissa.

VGNN-mallin suorituskyvyn testaamiseksi tutkimusryhmä suunnitteli sarjan kokeita, joissa käytettiin 8 GPU:ta yli 146 000 ennusteen luomiseksi alle 5 tunnissa, ja niissä oli mukana materiaaleja, joissa on jopa 400 atomia yhdessä yksikkösolussa.

Tällä hetkellä MLIP on pääasiallinen fononien ennustamisen menetelmä koneoppimisen alalla, joten tutkijat vertasivat VGNN:n ja MLIP:n suorituskykyä kokeiden tarkkuuden ja tehokkuuden suhteen.

Kuva |. VGNN:n ja MLIP:n laskenta-ajan ja käyttöajan vertailu

Kokeet osoittavat, että VGNN parantaa järjestelmällisesti fononidiffuusiosuhteiden ennustamisen nopeutta satoja tai tuhansia kertoja. Tutkijat sanoivat, että VGNN käyttää ainutlaatuista menetelmää päätellä suoraan dynaamisen matriisin elementit ohittaen laskentatehon vaiheet, atomien välisten potentiaalien toisen asteen johdannaiset ja MLIP-laskentaprosessissa käytetyt Fourier-muunnokset, mikä parantaa merkittävästi ennustetehokkuutta.

Lisäksi VGNN-malli ei vain ylitä perinteistä GNN-menetelmää monimutkaisten materiaalien ominaisuuksien ennustamisen tarkkuudessa, vaan myös parantaa merkittävästi laskennallista tehokkuutta. Kaikki kolme mallia osoittavat vahvaa suorituskykyä lämpökapasiteetin ennustamisessa, ja k-MVN-mallissa on pienin virhe .

Tutkimusryhmä huomautti myös, että ottamalla käyttöön fyysiseen malliin perustuva virtuaalisen solmun lisäysmalli, mallin ekstrapolointikyky monimutkaisten materiaalien käsittelyssä on parantunut merkittävästi.

Kuva ｜k-MVN ennustaa koko fononiosakaistarakenteen

MVN- ja k-MVN-mallit osoittavat erinomaisia ​​yleistyskykyjä monimutkaisissa materiaaleissa, joissa on satoja atomiyksikkösoluja, mikä osoittaa myös, että ongelman fyysisen perustan huolellinen huomioiminen virtuaalisten solmujen lisäyskaavioita suunniteltaessa voi parantaa mallin ulkonäköä .

Tutkimukset osoittavat, että vaikka yleinen fononikaistarakenne on suhteellisen monimutkainen, k-MVN-malli voi silti ennustaa fononikaistan sijainnin ja muodon, kuten eri optisten haarojen väliset raot.

Tutkimusryhmä käytti myös virtuaalista solmua GNN laskeakseen korkean entropian metalliseosten fononiominaisuudet ja perusti fononien sirontatietokannan yli 100 000 materiaalille. Tämä läpimurto ei ainoastaan ​​paranna merkittävästi fononien ennustamisen tehokkuutta ja tarkkuutta, vaan tarjoaa myös tehokkaan työkalun tulevaisuuden materiaalien suunnitteluun ja optimointiin.

Puutteet ja näkymät

Vaikka VGNN-malli on osoittanut suurta potentiaalia materiaalien lämpöominaisuuksien ennustamisessa, tutkimusryhmä totesi myös, että k-MVN-mallilla on edelleen vaikea vangita pitkän kantaman vuorovaikutuksen vaikutusta elektronisten kaistarakenteiden ennustamisessa.

Näiden ongelmien ratkaisemiseksi tutkimusryhmä aikoo parantaa mallien suorituskykyä entisestään optimoimalla virtuaalisten solmujen suunnittelua ja lisäämällä opetustietosarjojen monimuotoisuutta.

Tulevaisuudessa VGNN-menetelmää odotetaan sovellettavan laajemmalle materiaalien ennustuskentille, mukaan lukien seosten, rajapintojen ja amorfisten kiinteiden materiaalien optimaalinen suunnittelu. ja,Tämä tekniikka ei ainoastaan ​​auta nopeuttamaan uusien materiaalien löytämistä ja soveltamista, vaan myös edistämään huipputeknologian alojen, kuten energian muuntamisen, lämpöenergian varastoinnin ja suprajohtavien materiaalien, kehitystä.。

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

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

｜Klikkaa seurataksesi minua ja muista merkitä tähdellä｜