Νέα

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

ζεστή καλοκαιρινή μέρα,Τα smartphone, τα tablet και άλλες ηλεκτρονικές συσκευές συχνά προκαλούν προβλήματα απόδοσης και ασφάλειας λόγω «υπερθέρμανσης» . Πώς να σχεδιάσετε ηλεκτρονικά προϊόντα με καλύτερη απαγωγή θερμότητας, τα υλικά είναι το κλειδί.

Ένας από τους βασικούς συνδέσμους είναι:Προβλέψτε με ακρίβεια τις θερμικές ιδιότητες των υλικών。

Οι κύριοι φορείς που μεταφέρουν θερμότητα στα υλικά είναι τα φωνόνια και ο μηχανισμός μεταφοράς και σκέδασης των φωνονίων στη διεπαφή καθορίζει τη θερμική αγωγιμότητα του υλικού. Επομένως, η ακριβής μοντελοποίηση της σχέσης σκέδασης φωνονίων έχει γίνει το κλειδί για την πρόβλεψη των θερμικών ιδιοτήτων των υλικών.

Στις μέρες μας, αΝέες μέθοδοι τεχνητής νοημοσύνης (AI).Επιταχύνει σημαντικά την πρόβλεψη των θερμικών ιδιοτήτων του υλικού, σε σύγκριση με τα παραδοσιακά μοντέλα μηχανικής εκμάθησηςΑυξήθηκε κατά εκατοντάδες έως χιλιάδες φορές。

Πρόσφατα, μια ερευνητική ομάδα από το Τεχνολογικό Ινστιτούτο της Μασαχουσέτης (MIT) και οι συνεργάτες τους έχουν κάνει σημαντικές ανακαλύψεις σε αυτόν τον τομέα.Το VGNN μπορεί να ολοκληρώσει τον υπολογισμό των σχέσεων διασποράς φωνονίων για χιλιάδες υλικά μέσα σε λίγα δευτερόλεπτα σε έναν προσωπικό υπολογιστή.。

Η σχετική ερευνητική εργασία έχει τίτλο «Virtual node graph neural network for full phonon prediction» και έχει δημοσιευθεί στο επιστημονικό περιοδικό Nature Computational Science.

Η μελέτη διαπίστωσε ότι το VGNN όχι μόνο πέτυχε στην πρόβλεψη φωνονίων, αλλά καιΠροβλέψτε άλλες σύνθετες ιδιότητες υλικού, όπως η δομή της ηλεκτρονικής ζώνης, οι κορυφές οπτικής απορρόφησης και ο μαγνητισμόςΔείχνει επίσης κάποιες δυνατότητες.

Η ταχύτητα πρόβλεψης αυξάνεται κατά εκατοντάδες ή χιλιάδες φορές

Υπολογίζεται ότι περίπου η ενέργεια που παράγεται παγκοσμίως70%Τελικά γίνεται χαμένη θερμότητα.

Εάν οι επιστήμονες μπορούν να προβλέψουν καλύτερα πώς κινείται η θερμότητα μέσω ημιαγωγών και μονωτών, μπορούν να σχεδιάσουν πιο αποτελεσματικά συστήματα παραγωγής ενέργειας. Ωστόσο, οι θερμικές ιδιότητες των υλικών είναι εξαιρετικά δύσκολο να μοντελοποιηθούν.

Οι θερμικές ιδιότητες των υλικών επηρεάζονται από μια ποικιλία πολύπλοκων παραγόντων, όπως η μικροδομή, η ατομική διάταξη και οι χημικοί δεσμοί του υλικού.

Η πρόβλεψη των θερμικών ιδιοτήτων του υλικού εξαρτάται κυρίως από τη μέτρηση των σχέσεων σκέδασης φωνονίων Οι παραδοσιακές πειραματικές μέθοδοι μέτρησης και οι θεωρητικές μέθοδοι υπολογισμού έχουν υψηλές απαιτήσεις σε πειραματικό εξοπλισμό και λειτουργίες, είναι χρονοβόρες και δαπανηρές και είναι δύσκολο να καλύψουν τις ανάγκες ταχείας πρόβλεψης. διαλογής μεγάλης κλίμακας.

Όταν χρησιμοποιείται η μηχανική μάθηση για την πρόβλεψη ιδιοτήτων υλικού, η διαδικασία μέτρησης και μοντελοποίησης των σχέσεων σκέδασης φωνονίων είναι εξαιρετικά περίπλοκη λόγω της επίδρασης των πειραματικών μετρήσεων, της υπολογιστικής μοντελοποίησης και άλλων παραγόντων, και επί του παρόντος είναι δύσκολο να προβλεφθεί με ακρίβεια.

Σε αυτή την εργασία, το VGNN μπορεί να χειριστεί μεταβλητά ή ακόμα και αυθαίρετα χαρακτηριστικά εξόδου εισάγοντας εικονικούς κόμβους, επιτρέποντας έτσι τον υπολογισμό της ενέργειας του κεντρικού περιφερειακού φωνονίου και της δομής πλήρους ζώνης φωνονίων απευθείας από την ατομική δομή σε πολύπλοκα υλικά και σε μεγαλύτερη Βελτιστοποίηση των ιδιοτήτων των φωνονίων επιτυγχάνεται στο χώρο δομικής μελέτης.

Εικόνα | Επισκόπηση της μεθόδου VGNN ως γενική μέθοδος για τη βελτίωση των νευρωνικών δικτύων γραφημάτων

Συγκεκριμένα, η ερευνητική ομάδα πρότεινε τρία διαφορετικά σχήματα βελτίωσης εικονικών κόμβων, συγκεκριμένα τον εικονικό κόμβο διανυσμάτων (VVN), τον εικονικό κόμβο μήτρας (MVN) και τον εικονικό κόμβο μήτρας που σχετίζεται με την ορμή (k-MVN).

Το σχήμα VVN λαμβάνει το φάσμα των φωνονίων απευθείας από τους εικονικούς κόμβους, αλλά το σχήμα MVN προβλέπει την ενέργεια των φωνονίων κατασκευάζοντας μια εικονική δυναμική μήτρα, η οποία μπορεί να προβλέψει σθεναρά τις θερμικές ιδιότητες των σύνθετων υλικών χρησιμοποιεί τη μετάφραση μονάδων κυψελών για να δημιουργήσει εξάρτηση ορμής για να αποκτήσει την πλήρη δομή της ζώνης φωνονίων.

Τα αποτελέσματα δείχνουν ότι αυτές οι μέθοδοι προβλέπουν με επιτυχία τις σχέσεις σκέδασης φωνονίων σε πολύπλοκα υλικά.

Για να δοκιμάσει την απόδοση του μοντέλου VGNN, η ερευνητική ομάδα σχεδίασε μια σειρά πειραμάτων χρησιμοποιώντας 8 GPU για τη δημιουργία περισσότερων από 146.000 αποτελεσμάτων πρόβλεψης σε λιγότερο από 5 ώρες, που περιλαμβάνουν υλικά με έως και 400 άτομα σε μία κυψέλη μονάδας.

Επί του παρόντος, το MLIP είναι η κύρια μέθοδος για την πρόβλεψη φωνονίων στον τομέα της μηχανικής μάθησης, επομένως οι ερευνητές συνέκριναν την απόδοση του VGNN και του MLIP όσον αφορά την ακρίβεια και την αποτελεσματικότητα στα πειράματα.

Σχήμα |. Σύγκριση χρόνου υπολογισμού και χρόνου εκτέλεσης των VGNN και MLIP

Τα πειραματικά αποτελέσματα δείχνουν ότι το VGNN βελτιώνει συστηματικά την ταχύτητα πρόβλεψης των σχέσεων διάχυσης φωνονίων εκατοντάδες έως χιλιάδες φορές. Οι ερευνητές είπαν ότι το VGNN χρησιμοποιεί μια μοναδική μέθοδο άμεσης εξαγωγής των στοιχείων της δυναμικής μήτρας, παρακάμπτοντας τα βήματα της υπολογιστικής ισχύος, των παραγώγων δεύτερης τάξης των διατομικών δυναμικών και των μετασχηματισμών Fourier που χρησιμοποιούνται στη διαδικασία υπολογισμού MLIP, βελτιώνοντας σημαντικά την απόδοση πρόβλεψης.

Επιπλέον, το μοντέλο VGNN όχι μόνο ξεπερνά την παραδοσιακή μέθοδο GNN στην ακρίβεια της πρόβλεψης σύνθετων ιδιοτήτων του υλικού, αλλά βελτιώνει σημαντικά την υπολογιστική απόδοση Και τα τρία μοντέλα παρουσιάζουν ισχυρή απόδοση στην πρόβλεψη θερμικής ικανότητας και το μοντέλο k-MVN έχει το μικρότερο σφάλμα .

Η ερευνητική ομάδα επεσήμανε επίσης ότι με την υιοθέτηση ενός σχεδίου προσθήκης εικονικών κόμβων που βασίζεται στο φυσικό μοντέλο, η ικανότητα παρέκτασης του μοντέλου όταν ασχολείται με πολύπλοκα υλικά έχει βελτιωθεί σημαντικά.

Το Figure｜k-MVN προβλέπει την πλήρη δομή της υποζώνης φωνονίων

Τα σχήματα MVN και k-MVN δείχνουν εξαιρετικές δυνατότητες γενίκευσης σε σύνθετα υλικά με εκατοντάδες ατομικές μονάδες, γεγονός που δείχνει επίσης ότι η προσεκτική εξέταση της φυσικής βάσης του προβλήματος κατά το σχεδιασμό σχημάτων προσθήκης εικονικών κόμβων μπορεί να βελτιώσει την εμφάνιση του μοντέλου .

Η έρευνα δείχνει ότι αν και η γενική δομή της ζώνης φωνονίων είναι σχετικά πολύπλοκη, το μοντέλο k-MVN μπορεί ακόμα να προβλέψει τη θέση και το σχήμα της ζώνης φωνονίων, όπως τα κενά μεταξύ των διαφορετικών οπτικών κλάδων.

Η ερευνητική ομάδα χρησιμοποίησε επίσης τον εικονικό κόμβο GNN για να υπολογίσει τις ιδιότητες φωνονίων κραμάτων υψηλής εντροπίας και δημιούργησε μια βάση δεδομένων σκέδασης φωνονίων για περισσότερα από 100.000 υλικά. Αυτή η σημαντική ανακάλυψη όχι μόνο βελτιώνει σημαντικά την αποτελεσματικότητα και την ακρίβεια της πρόβλεψης φωνονίων, αλλά παρέχει επίσης ένα ισχυρό εργαλείο για μελλοντικό σχεδιασμό και βελτιστοποίηση υλικών.

Ελλείψεις και προοπτικές

Αν και το μοντέλο VGNN έχει δείξει μεγάλες δυνατότητες στην πρόβλεψη θερμικών ιδιοτήτων υλικού, η ερευνητική ομάδα δήλωσε επίσης ότι το μοντέλο k-MVN εξακολουθεί να είναι δύσκολο να συλλάβει την επιρροή των αλληλεπιδράσεων μεγάλης εμβέλειας κατά την πρόβλεψη δομών ηλεκτρονικών ζωνών.

Για την επίλυση αυτών των προβλημάτων, η ερευνητική ομάδα σχεδιάζει να βελτιώσει περαιτέρω την απόδοση του μοντέλου βελτιστοποιώντας τον σχεδιασμό εικονικών κόμβων και αυξάνοντας την ποικιλομορφία των συνόλων δεδομένων εκπαίδευσης.

Στο μέλλον, η μέθοδος VGNN αναμένεται να εφαρμοστεί σε ένα ευρύτερο φάσμα πεδίων πρόβλεψης υλικών, συμπεριλαμβανομένου του βέλτιστου σχεδιασμού κραμάτων, διεπαφών και άμορφων στερεών υλικών. και,Αυτή η τεχνολογία όχι μόνο θα βοηθήσει στην επιτάχυνση της ανακάλυψης και της εφαρμογής νέων υλικών, αλλά θα προωθήσει επίσης την ανάπτυξη πεδίων υψηλής τεχνολογίας όπως η μετατροπή ενέργειας, η αποθήκευση θερμικής ενέργειας και τα υπεραγώγιμα υλικά.。

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

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

｜Κάντε κλικ για να με ακολουθήσετε και θυμηθείτε να αστέρια｜