notizia

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

calda giornata estiva,Smartphone, tablet e altri dispositivi elettronici causano spesso problemi di prestazioni e sicurezza a causa del "surriscaldamento" . Come progettare prodotti elettronici con una migliore dissipazione del calore, i materiali sono la chiave.

Uno dei collegamenti chiave è:Prevedere con precisione le proprietà termiche dei materiali。

I principali vettori che trasportano il calore nei materiali sono i fononi e il meccanismo di trasporto e diffusione dei fononi all'interfaccia determina la conduttività termica del materiale. Pertanto, modellare accuratamente la relazione di diffusione dei fononi è diventata la chiave per prevedere le proprietà termiche dei materiali.

Al giorno d'oggi, aNuovi metodi di intelligenza artificiale (AI).Accelera notevolmente la previsione delle proprietà termiche dei materiali, rispetto ai tradizionali modelli di machine learningAumentato da centinaia a migliaia di volte。

Recentemente, un gruppo di ricerca del Massachusetts Institute of Technology (MIT) e i suoi collaboratori hanno fatto importanti passi avanti in questo campo. Hanno progettato una rete neurale chiamata "Virtual Node Graph Neural Network" (VGNN).VGNN può completare il calcolo delle relazioni di dispersione dei fononi per migliaia di materiali in pochi secondi su un personal computer.。

Il documento di ricerca in questione si intitola "Rete neurale del grafico del nodo virtuale per la previsione completa dei fononi" ed è stato pubblicato sulla rivista scientifica Nature Computational Science.

Lo studio ha scoperto che VGNN non solo è riuscito nella previsione dei fononi, ma anchePrevedi altre proprietà complesse dei materiali come la struttura delle bande elettroniche, i picchi di assorbimento ottico e il magnetismoMostra anche alcune potenzialità.

La velocità di previsione viene aumentata di centinaia o migliaia di volte

Si stima che circa l'energia generata a livello globale70%Alla fine diventa calore disperso.

Se gli scienziati riuscissero a prevedere meglio come il calore si muove attraverso i semiconduttori e gli isolanti, potrebbero progettare sistemi di generazione di energia più efficienti. Tuttavia, le proprietà termiche dei materiali sono estremamente difficili da modellare.

Le proprietà termiche dei materiali sono influenzate da una varietà di fattori complessi come la microstruttura del materiale, la disposizione atomica e il legame chimico. Le sue proprietà termiche sono altamente non lineari e multiscala.

La previsione delle proprietà termiche dei materiali dipende principalmente dalla misurazione delle relazioni di diffusione dei fononi. I tradizionali metodi di misurazione sperimentale e di calcolo teorico richiedono requisiti elevati per le apparecchiature e le operazioni sperimentali, richiedono molto tempo e sono costosi e sono difficili da soddisfare le esigenze di previsione rapida e. screening su larga scala.

Quando si utilizza l’apprendimento automatico per prevedere le proprietà dei materiali, il processo di misurazione e modellazione delle relazioni di diffusione dei fononi è estremamente complesso a causa dell’influenza delle misurazioni sperimentali, della modellazione computazionale e di altri fattori, ed è attualmente difficile da prevedere con precisione.

In questo lavoro, VGNN può gestire caratteristiche di output variabili o addirittura di dimensione arbitraria introducendo nodi virtuali, consentendo così il calcolo dell'energia fononica del centro regionale e della struttura completa delle bande fononiche direttamente dalla struttura atomica in materiali complessi e in una più ampia ottimizzazione delle proprietà fononiche si ottiene nello spazio di progettazione strutturale.

Figura |. Panoramica del metodo VGNN come metodo generale per migliorare le reti neurali a grafo

Nello specifico, il gruppo di ricerca ha proposto tre diversi schemi di miglioramento del nodo virtuale, vale a dire il nodo virtuale vettoriale (VVN), il nodo virtuale della matrice (MVN) e il nodo virtuale della matrice correlata al momento (k-MVN).

Lo schema VVN ottiene lo spettro fononico direttamente dai nodi virtuali, ma c'è un collo di bottiglia nella trasmissione delle informazioni; lo schema MVN predice l'energia fononica costruendo una matrice dinamica virtuale, che può prevedere in modo robusto le proprietà termiche dei materiali complessi; utilizza la traslazione delle celle unitarie per generare dipendenza dalla quantità di moto per ottenere la struttura completa delle bande fononiche.

I risultati mostrano che questi metodi prevedono con successo le relazioni di diffusione dei fononi in materiali complessi.

Per testare le prestazioni del modello VGNN, il team di ricerca ha progettato una serie di esperimenti utilizzando 8 GPU per generare più di 146.000 risultati di previsione in meno di 5 ore, coinvolgendo materiali con un massimo di 400 atomi in una singola cella unitaria.

Attualmente, MLIP è il metodo principale per la previsione dei fononi nel campo dell’apprendimento automatico, quindi i ricercatori hanno confrontato le prestazioni di VGNN e MLIP in termini di accuratezza ed efficienza negli esperimenti.

Figura |. Confronto tra tempo di calcolo e tempo di esecuzione di VGNN e MLIP

I risultati sperimentali mostrano che VGNN migliora sistematicamente la velocità di previsione delle relazioni di diffusione dei fononi da centinaia a migliaia di volte. I ricercatori hanno affermato che VGNN utilizza un metodo unico per dedurre direttamente gli elementi della matrice dinamica, aggirando i passaggi di potenza di calcolo, derivate di secondo ordine dei potenziali interatomici e trasformate di Fourier utilizzate nel processo di calcolo MLIP, migliorando significativamente l’efficienza della previsione.

Inoltre, il modello VGNN non solo supera il metodo GNN tradizionale nella precisione della previsione delle proprietà dei materiali complessi, ma migliora anche significativamente l’efficienza computazionale. Tutti e tre i modelli mostrano ottime prestazioni nella previsione della capacità termica e il modello k-MVN ha l’errore più piccolo .

Il gruppo di ricerca ha inoltre sottolineato che adottando uno schema di aggiunta di nodi virtuali basato sul modello fisico, la capacità di estrapolazione del modello quando si tratta di materiali complessi è stata notevolmente migliorata.

La figura｜k-MVN prevede la struttura completa della sottobanda dei fononi

Gli schemi MVN e k-MVN mostrano eccellenti capacità di generalizzazione in materiali complessi con centinaia di celle unitarie atomiche, il che dimostra anche che un'attenta considerazione delle basi fisiche del problema quando si progettano schemi di aggiunta di nodi virtuali può migliorare l'aspetto del modello .

La ricerca mostra che, sebbene la struttura generale della banda fononica sia relativamente complessa, il modello k-MVN può comunque prevedere la posizione e la forma della banda fononica, come gli spazi tra i diversi rami ottici.

Il gruppo di ricerca ha utilizzato anche il nodo virtuale GNN per calcolare le proprietà fononiche delle leghe ad alta entropia e ha creato un database di diffusione fononica per oltre 100.000 materiali. Questa innovazione non solo migliora significativamente l’efficienza e l’accuratezza della previsione dei fononi, ma fornisce anche un potente strumento per la progettazione e l’ottimizzazione dei materiali futuri.

Carenze e prospettive

Sebbene il modello VGNN abbia mostrato un grande potenziale nella previsione delle proprietà termiche dei materiali, il team di ricerca ha anche affermato che il modello k-MVN è ancora difficile da catturare l’influenza delle interazioni a lungo raggio nella previsione delle strutture delle bande elettroniche.

Per risolvere questi problemi, il gruppo di ricerca prevede di migliorare ulteriormente le prestazioni del modello ottimizzando la progettazione dei nodi virtuali e aumentando la diversità dei set di dati di addestramento.

In futuro, si prevede che il metodo VGNN verrà applicato a una gamma più ampia di campi di previsione dei materiali, inclusa la progettazione ottimale di leghe, interfacce e materiali solidi amorfi. E,Questa tecnologia non solo aiuterà ad accelerare la scoperta e l’applicazione di nuovi materiali, ma promuoverà anche lo sviluppo di campi ad alta tecnologia come la conversione dell’energia, lo stoccaggio dell’energia termica e i materiali superconduttori.。

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

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

｜Fai clic per seguirmi e ricordati di contrassegnare come Speciale｜