nouvelles

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

chaude journée d'été,Les smartphones, tablettes et autres appareils électroniques provoquent souvent des problèmes de performances et de sécurité en raison de la « surchauffe » . Comment concevoir des produits électroniques avec une meilleure dissipation thermique, les matériaux sont la clé.

L'un des liens clés est :Prédire avec précision les propriétés thermiques des matériaux。

Les principaux transporteurs qui transportent la chaleur dans les matériaux sont les phonons, et le mécanisme de transport et de diffusion des phonons à l'interface détermine la conductivité thermique du matériau. Par conséquent, la modélisation précise de la relation de diffusion des phonons est devenue la clé pour prédire les propriétés thermiques des matériaux.

De nos jours, unNouvelles méthodes d’intelligence artificielle (IA)Accélère considérablement la prédiction des propriétés thermiques des matériaux, par rapport aux modèles d'apprentissage automatique traditionnelsAugmenté de centaines à des milliers de fois。

Récemment, une équipe de recherche du Massachusetts Institute of Technology (MIT) et ses collaborateurs ont réalisé d'importantes avancées dans ce domaine. Ils ont conçu un réseau neuronal appelé « Virtual Node Graph Neural Network » (VGNN).VGNN peut effectuer le calcul des relations de dispersion des phonons pour des milliers de matériaux en quelques secondes seulement sur un ordinateur personnel.。

Le document de recherche pertinent s'intitule « Réseau neuronal à graphes de nœuds virtuels pour la prédiction complète des phonons » et a été publié dans la revue scientifique Nature Computational Science.

L'étude a révélé que VGNN réussissait non seulement à prédire les phonons, mais aussiPrédire d'autres propriétés complexes des matériaux telles que la structure des bandes électroniques, les pics d'absorption optique et le magnétismeCela montre également un certain potentiel.

La vitesse de prédiction est augmentée des centaines ou des milliers de fois

On estime qu’environ de l’énergie produite dans le monde70%Finalement, cela devient de la chaleur perdue.

Si les scientifiques peuvent mieux prédire comment la chaleur se déplace à travers les semi-conducteurs et les isolants, ils pourront concevoir des systèmes de production d’électricité plus efficaces. Cependant, les propriétés thermiques des matériaux sont extrêmement difficiles à modéliser.

Les propriétés thermiques des matériaux sont affectées par divers facteurs complexes tels que la microstructure du matériau, la disposition atomique et la liaison chimique. Ses propriétés thermiques sont hautement non linéaires et multi-échelles.

La prédiction des propriétés thermiques des matériaux dépend principalement de la mesure des relations de diffusion des phonons. Les méthodes traditionnelles de mesure expérimentale et de calcul théorique ont des exigences élevées en matière d'équipement et d'opérations expérimentaux, prennent du temps et sont coûteuses, et sont difficiles à répondre aux besoins de prédiction et de rapidité. dépistage à grande échelle.

Lors de l’utilisation de l’apprentissage automatique pour prédire les propriétés des matériaux, le processus de mesure et de modélisation des relations de diffusion des phonons est extrêmement complexe en raison de l’influence des mesures expérimentales, de la modélisation informatique et d’autres facteurs, et il est actuellement difficile de le prédire avec précision.

Dans ce travail, VGNN peut gérer des caractéristiques de sortie variables, voire arbitraires, en introduisant des nœuds virtuels, permettant ainsi le calcul de l'énergie des phonons centraux régionaux et de la structure complète des bandes de phonons directement à partir de la structure atomique dans des matériaux complexes, et dans une optimisation plus large des propriétés des phonons. est réalisé dans l’espace de conception structurelle.

Figure | Présentation de la méthode VGNN en tant que méthode générale pour améliorer les réseaux de neurones graphiques

Plus précisément, l'équipe de recherche a proposé trois schémas différents d'amélioration des nœuds virtuels, à savoir le nœud virtuel vectoriel (VVN), le nœud virtuel matriciel (MVN) et le nœud virtuel matriciel lié à l'impulsion (k-MVN).

Le schéma VVN obtient le spectre des phonons directement à partir des nœuds virtuels, mais il existe un goulot d'étranglement dans la transmission des informations ; le schéma MVN prédit l'énergie des phonons en construisant une matrice dynamique virtuelle, qui peut prédire de manière robuste les propriétés thermiques des matériaux complexes ; utilise la traduction de cellules unitaires pour générer une dépendance de moment afin d'obtenir la structure complète de la bande de phonons.

Les résultats montrent que ces méthodes prédisent avec succès les relations de diffusion des phonons dans des matériaux complexes.

Pour tester les performances du modèle VGNN, l’équipe de recherche a conçu une série d’expériences utilisant 8 GPU pour générer plus de 146 000 résultats de prédiction en moins de 5 heures, impliquant des matériaux contenant jusqu’à 400 atomes dans une seule cellule unitaire.

Actuellement, MLIP est la principale méthode de prédiction des phonons dans le domaine de l'apprentissage automatique. Les chercheurs ont donc comparé les performances de VGNN et MLIP en termes de précision et d'efficacité dans les expériences.

Figure | Comparaison du temps de calcul et du temps d'exécution de VGNN et MLIP

Les résultats expérimentaux montrent que VGNN améliore systématiquement la vitesse de prédiction des relations de diffusion des phonons de centaines, voire de milliers de fois. Les chercheurs ont déclaré que VGNN utilise une méthode unique pour déduire directement les éléments de la matrice dynamique, en contournant les étapes de puissance de calcul, les dérivées du second ordre des potentiels inter-atomiques et les transformées de Fourier utilisées dans le processus de calcul MLIP, améliorant ainsi considérablement l'efficacité de la prédiction.

De plus, le modèle VGNN surpasse non seulement la méthode GNN traditionnelle en termes de précision de prévision des propriétés complexes des matériaux, mais améliore également considérablement l'efficacité de calcul. Les trois modèles affichent de solides performances dans la prévision de la capacité thermique, et le modèle k-MVN présente la plus petite erreur. .

L'équipe de recherche a également souligné qu'en adoptant un schéma d'ajout de nœuds virtuels basé sur le modèle physique, la capacité d'extrapolation du modèle lorsqu'il s'agit de matériaux complexes a été considérablement améliorée.

La figure ｜k-MVN prédit la structure complète des sous-bandes de phonons

Les schémas MVN et k-MVN montrent d'excellentes capacités de généralisation dans des matériaux complexes comportant des centaines de cellules unitaires atomiques, ce qui montre également qu'un examen attentif de la base physique du problème lors de la conception de schémas d'ajout de nœuds virtuels peut améliorer l'apparence du modèle. .

La recherche montre que même si la structure générale de la bande de phonons est relativement complexe, le modèle k-MVN peut toujours prédire la position et la forme de la bande de phonons, comme les écarts entre les différentes branches optiques.

L’équipe de recherche a également utilisé le nœud virtuel GNN pour calculer les propriétés des phonons des alliages à haute entropie et a établi une base de données sur la diffusion des phonons pour plus de 100 000 matériaux. Cette avancée améliore non seulement considérablement l’efficacité et la précision de la prédiction des phonons, mais constitue également un outil puissant pour la conception et l’optimisation des futurs matériaux.

Lacunes et perspectives

Bien que le modèle VGNN ait montré un grand potentiel dans la prévision des propriétés thermiques des matériaux, l’équipe de recherche a également déclaré qu’il est encore difficile pour le modèle k-MVN de capturer l’influence des interactions à longue portée lors de la prévision des structures de bandes électroniques.

Pour résoudre ces problèmes, l'équipe de recherche prévoit d'améliorer encore les performances du modèle en optimisant la conception des nœuds virtuels et en augmentant la diversité des ensembles de données de formation.

À l’avenir, la méthode VGNN devrait être appliquée à un plus large éventail de domaines de prédiction des matériaux, notamment la conception optimale des alliages, des interfaces et des matériaux solides amorphes. et,Cette technologie contribuera non seulement à accélérer la découverte et l’application de nouveaux matériaux, mais favorisera également le développement de domaines de haute technologie tels que la conversion d’énergie, le stockage d’énergie thermique et les matériaux supraconducteurs.。

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

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

｜Cliquez pour me suivre et n'oubliez pas de mettre en vedette｜