ニュース

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

暑い夏の日、スマートフォン、タブレット、その他の電子機器は、「過熱」によりパフォーマンスや安全性の問題を引き起こすことがよくあります。 。より優れた放熱性を備えた電子製品をどのように設計するか、材料が鍵となります。

重要なリンクの 1 つは次のとおりです。材料の熱特性を正確に予測します。

材料内で熱を輸送する主なキャリアはフォノンであり、界面でのフォノンの輸送および散乱メカニズムが材料の熱伝導率を決定します。したがって、フォノン散乱関係を正確にモデル化することが、材料の熱特性を予測する鍵となっています。

今では、新しい人工知能 (AI) 手法従来の機械学習モデルと比較して、材料の熱特性の予測が大幅に高速化されます。数百倍から数千倍に増加。

最近、マサチューセッツ工科大学 (MIT) の研究チームとその協力者は、「仮想ノード グラフ ニューラル ネットワーク」(VGNN) と呼ばれるニューラル ネットワークを設計しました。VGNN は、パーソナル コンピュータ上でわずか数秒で数千の材料のフォノン分散関係の計算を完了できます。。

関連する研究論文のタイトルは「完全フォノン予測のための仮想ノード グラフ ニューラル ネットワーク」で、科学雑誌 Nature Computational Science に掲載されました。

この研究では、VGNN がフォノン予測に成功しただけでなく、電子バンド構造、光吸収ピーク、磁性などの他の複雑な材料特性を予測しますそれはまた、いくつかの可能性を示しています。

予測速度が数百倍、数千倍に向上

世界中で生成されるエネルギーのおよそ70%最終的には廃熱になります。

科学者が半導体や絶縁体中を熱がどのように移動するかをより正確に予測できれば、より効率的な発電システムを設計できるようになります。ただし、材料の熱特性をモデル化することは非常に困難です。

材料の熱特性は、材料の微細構造、原子配列、化学結合などのさまざまな複雑な要因の影響を受けます。その熱特性は高度に非線形であり、マルチスケールです。

材料の熱特性の予測は主にフォノン散乱関係の測定に依存しています。従来の実験的測定および理論的計算方法は、実験装置と操作に高い要件があり、時間とコストがかかり、迅速な予測とニーズを満たすことが困難です。大規模な上映会。

機械学習を使用して材料特性を予測する場合、フォノン散乱関係の測定およびモデリングのプロセスは、実験測定や計算モデリングなどの影響により非常に複雑になり、正確に予測することは現時点では困難です。

この研究では、VGNN は仮想ノードを導入することで可変または任意次元の出力特性を処理できるため、複雑な材料の原子構造から直接領域中心フォノン エネルギーと完全なフォノン バンド構造を計算できるようになり、フォノン特性のより大規模な最適化が可能になります。構造設計空間で実現されます。

図 | グラフ ニューラル ネットワークを強化する一般的な手法としての VGNN 手法の概要

具体的には、研究チームは、ベクトル仮想ノード (VVN)、行列仮想ノード (MVN)、および運動量関連行列仮想ノード (k-MVN) という 3 つの異なる仮想ノード拡張スキームを提案しました。

VVN スキームは仮想ノードからフォノン スペクトルを直接取得しますが、情報伝達にボトルネックがあります。MVN スキームは、複雑な材料の熱特性をロバストに予測できる仮想ダイナミック マトリックスを構築することでフォノン エネルギーを予測します。単位セルの移動を使用して運動量依存性を生成し、完全なフォノン バンド構造を取得します。

結果は、これらの方法が複雑な材料におけるフォノン散乱関係を首尾よく予測することを示しています。

VGNN モデルのパフォーマンスをテストするために、研究チームは 8 つの GPU を使用して、1 つの単位セルに最大 400 個の原子を含む材料を含む 146,000 を超える予測を 5 時間以内に生成する一連の実験を設計しました。

現在、MLIP は機械学習分野におけるフォノン予測の主要な方法であるため、研究者らは実験の精度と効率の観点から VGNN と MLIP のパフォーマンスを比較しました。

図 | VGNN と MLIP の計算時間と実行時間の比較

実験結果は、VGNN がフォノンの拡散関係を予測する速度を体系的に数百倍から数千倍向上させることを示しています。研究者らによると、VGNNは動的行列の要素を直接推論する独自の方法を採用しており、計算能力、原子間ポテンシャルの二次微分、MLIP計算プロセスで使用されるフーリエ変換のステップをバイパスし、予測効率を大幅に向上させているという。

さらに、VGNN モデルは、複雑な材料特性の予測精度において従来の GNN 手法を上回っているだけでなく、計算効率も大幅に向上しています。3 つのモデルはすべて、熱容量の予測において優れたパフォーマンスを示しており、k-MVN モデルの誤差は最も小さくなっています。 。

研究チームはまた、物理モデルに基づく仮想ノード追加方式を採用することで、複雑な材料を扱う際のモデルの外挿能力が大幅に向上したと指摘した。

図｜k-MVNは完全なフォノンサブバンド構造を予測する

MVN および k-MVN スキームは、数百の原子単位セルを含む複雑な材料において優れた汎化能力を示します。これは、仮想ノード追加スキームを設計する際に問題の物理的基礎を注意深く考慮することで、モデルのプッシュ能力を向上できることも示しています。 。

研究によると、一般的なフォノン バンド構造は比較的複雑ですが、k-MVN モデルは、異なる光分岐間のギャップなど、フォノン バンドの位置と形状を予測できることが示されています。

研究チームはまた、仮想ノード GNN を使用して高エントロピー合金のフォノン特性を計算し、100,000 を超える材料のフォノン散乱データベースを確立しました。この画期的な進歩により、フォノン予測の効率と精度が大幅に向上するだけでなく、将来の材料設計と最適化のための強力なツールも提供されます。

欠点と展望

VGNN モデルは材料の熱特性を予測する上で大きな可能性を示しているが、研究チームはまた、k-MVN モデルは電子バンド構造を予測する際に長距離相互作用の影響を捉えるのが依然として難しいとも述べた。

これらの問題を解決するために、研究チームは仮想ノードの設計を最適化し、トレーニングデータセットの多様性を高めることで、モデルのパフォーマンスをさらに向上させることを計画しています。

今後、VGNN手法は合金や界面、アモルファス固体材料の最適設計など、より幅広い材料予測分野への応用が期待されます。そして、この技術は、新材料の発見と応用の加速に役立つだけでなく、エネルギー変換、熱エネルギー貯蔵、超電導材料などのハイテク分野の開発も促進します。。

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

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

｜クリックしてフォローし、スターを忘れずに｜