berita

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

hari musim panas yang panas,Ponsel pintar, tablet, dan perangkat elektronik lainnya sering menimbulkan masalah kinerja dan keamanan karena "panas berlebih" . Bagaimana mendesain produk elektronik dengan pembuangan panas yang lebih baik, material adalah kuncinya.

Salah satu tautan utamanya adalah:Memprediksi secara akurat sifat termal material。

Pembawa utama yang mengangkut panas dalam material adalah fonon, dan mekanisme pengangkutan dan hamburan fonon pada antarmuka menentukan konduktivitas termal material. Oleh karena itu, pemodelan hubungan hamburan fonon secara akurat telah menjadi kunci untuk memprediksi sifat termal material.

Saat ini, sebuahMetode kecerdasan buatan (AI) baruSangat mempercepat prediksi sifat termal material, dibandingkan dengan model pembelajaran mesin tradisionalMeningkat ratusan hingga ribuan kali lipat。

Baru-baru ini, tim peneliti dari Massachusetts Institute of Technology (MIT) dan kolaboratornya telah membuat terobosan penting dalam bidang ini. Mereka merancang jaringan saraf yang disebut "Virtual Node Graph Neural Network" (VGNN).VGNN dapat menyelesaikan penghitungan hubungan dispersi fonon untuk ribuan materi hanya dalam beberapa detik di komputer pribadi.。

Makalah penelitian yang relevan berjudul "Jaringan saraf grafik simpul virtual untuk prediksi fonon penuh" dan telah diterbitkan dalam jurnal ilmiah Nature Computational Science.

Studi tersebut menemukan bahwa VGNN tidak hanya berhasil dalam prediksi fonon, tetapi juga berhasilMemprediksi sifat material kompleks lainnya seperti struktur pita elektronik, puncak serapan optik, dan magnetHal ini juga menunjukkan beberapa potensi.

Kecepatan prediksi meningkat ratusan atau ribuan kali lipat

Diperkirakan sekitar dari energi yang dihasilkan secara global70%Akhirnya menjadi limbah panas.

Jika para ilmuwan dapat memprediksi dengan lebih baik bagaimana panas berpindah melalui semikonduktor dan isolator, mereka dapat merancang sistem pembangkit listrik yang lebih efisien. Namun, sifat termal suatu material sangat sulit untuk dimodelkan.

Sifat termal material dipengaruhi oleh berbagai faktor kompleks seperti struktur mikro material, susunan atom, dan ikatan kimianya. Sifat termalnya sangat nonlinier dan multiskala.

Prediksi sifat termal material terutama bergantung pada pengukuran hubungan hamburan fonon. Pengukuran eksperimental tradisional dan metode perhitungan teoretis memiliki persyaratan yang tinggi pada peralatan dan operasi eksperimental, memakan waktu dan mahal, serta sulit untuk memenuhi kebutuhan prediksi dan cepat yang cepat. penyaringan skala besar.

Saat menggunakan pembelajaran mesin untuk memprediksi sifat material, proses pengukuran dan pemodelan hubungan hamburan fonon sangatlah kompleks karena pengaruh pengukuran eksperimental, pemodelan komputasi, dan faktor lainnya, dan saat ini sulit untuk memprediksi secara akurat.

Dalam karya ini, VGNN dapat menangani karakteristik keluaran dimensi variabel atau bahkan arbitrer dengan memperkenalkan node virtual, sehingga memungkinkan penghitungan energi fonon pusat regional dan struktur pita fonon penuh langsung dari struktur atom dalam material kompleks, dan dalam Optimasi yang lebih besar dari properti fonon dicapai dalam ruang desain struktural.

Gambar |. Ikhtisar metode VGNN sebagai metode umum untuk meningkatkan jaringan saraf tiruan

Secara khusus, tim peneliti mengusulkan tiga skema peningkatan simpul virtual yang berbeda, yaitu simpul virtual vektor (VVN), simpul virtual matriks (MVN), dan simpul virtual matriks terkait momentum (k-MVN).

Skema VVN memperoleh spektrum fonon langsung dari node virtual, tetapi ada hambatan dalam transmisi informasi; skema MVN memprediksi energi fonon dengan membangun matriks dinamis virtual, yang dapat memprediksi sifat termal material kompleks dengan kuat; menggunakan terjemahan sel satuan untuk menghasilkan ketergantungan momentum untuk mendapatkan struktur pita fonon yang lengkap.

Hasilnya menunjukkan bahwa metode ini berhasil memprediksi hubungan hamburan fonon dalam material kompleks.

Untuk menguji performa model VGNN, tim peneliti merancang serangkaian eksperimen menggunakan 8 GPU untuk menghasilkan lebih dari 146.000 prediksi dalam waktu kurang dari 5 jam, yang melibatkan material dengan hingga 400 atom dalam satu sel satuan.

Saat ini MLIP merupakan metode utama prediksi fonon di bidang pembelajaran mesin, sehingga peneliti membandingkan kinerja VGNN dan MLIP dalam hal akurasi dan efisiensi dalam eksperimen.

Gambar |. Perbandingan waktu perhitungan dan running time VGNN dan MLIP

Hasil eksperimen menunjukkan bahwa VGNN secara sistematis meningkatkan kecepatan memprediksi hubungan difusi fonon hingga ratusan hingga ribuan kali lipat. Para peneliti mengatakan bahwa VGNN menggunakan metode unik yang secara langsung menyimpulkan elemen-elemen matriks dinamis, melewati langkah-langkah daya komputasi, turunan potensial antar-atom orde kedua, dan transformasi Fourier yang digunakan dalam proses perhitungan MLIP, sehingga secara signifikan meningkatkan efisiensi prediksi.

Selain itu, model VGNN tidak hanya mengungguli metode GNN tradisional dalam akurasi memprediksi sifat material yang kompleks, namun juga secara signifikan meningkatkan efisiensi komputasi. Ketiga model tersebut menunjukkan kinerja yang kuat dalam memprediksi kapasitas panas, dan model k-MVN memiliki kesalahan terkecil .

Tim peneliti juga menunjukkan bahwa dengan mengadopsi skema penambahan node virtual berdasarkan model fisik, kemampuan ekstrapolasi model ketika menangani material kompleks telah meningkat secara signifikan.

Gambar｜k-MVN memprediksi struktur subband fonon penuh

Skema MVN dan k-MVN menunjukkan kemampuan generalisasi yang sangat baik dalam material kompleks dengan ratusan sel satuan atom, yang juga menunjukkan bahwa pertimbangan yang cermat terhadap dasar fisik masalah saat merancang skema penambahan node virtual dapat meningkatkan tampilan model .

Penelitian menunjukkan bahwa meskipun struktur pita fonon secara umum relatif kompleks, model k-MVN masih dapat memprediksi posisi dan bentuk pita fonon, seperti celah antara cabang optik yang berbeda.

Tim peneliti juga menggunakan node virtual GNN untuk menghitung sifat fonon dari paduan entropi tinggi dan membuat database hamburan fonon untuk lebih dari 100.000 material. Terobosan ini tidak hanya secara signifikan meningkatkan efisiensi dan keakuratan prediksi fonon, namun juga menyediakan alat yang ampuh untuk desain dan optimalisasi material di masa depan.

Kekurangan dan prospek

Meskipun model VGNN telah menunjukkan potensi besar dalam memprediksi sifat termal material, tim peneliti juga menyatakan bahwa model k-MVN masih sulit menangkap pengaruh interaksi jarak jauh saat memprediksi struktur pita elektronik.

Untuk mengatasi masalah ini, tim peneliti berencana untuk lebih meningkatkan kinerja model dengan mengoptimalkan desain node virtual dan meningkatkan keragaman kumpulan data pelatihan.

Di masa depan, metode VGNN diharapkan dapat diterapkan pada bidang prediksi material yang lebih luas, termasuk desain paduan, antarmuka, dan material padat amorf yang optimal. Dan,Teknologi ini tidak hanya akan membantu mempercepat penemuan dan penerapan material baru, namun juga akan mendorong pengembangan bidang teknologi tinggi seperti konversi energi, penyimpanan energi panas, dan material superkonduktor.。

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

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

｜Klik untuk mengikuti saya dan ingat untuk memberi bintang｜