소식

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

더운 여름날,스마트폰, 태블릿 및 기타 전자 장치는 "과열"로 인해 성능 및 안전 문제를 일으키는 경우가 많습니다. . 전자제품을 더 나은 방열 성능으로 디자인하려면 소재가 핵심입니다.

주요 링크 중 하나는 다음과 같습니다.재료의 열적 특성을 정확하게 예측。

물질에서 열을 전달하는 주요 운반체는 포논이며, 계면에서 포논의 전달 및 산란 메커니즘은 물질의 열전도도를 결정합니다. 따라서 포논 산란 관계를 정확하게 모델링하는 것이 재료의 열적 특성을 예측하는 열쇠가 되었습니다.

요즘에는새로운 인공지능(AI) 방법기존 기계 학습 모델에 비해 재료 열 특성 예측 속도가 크게 향상됩니다.수백~수천배 증가。

최근 MIT(매사추세츠 공과대학) 연구팀과 협력자들은 이 분야에서 중요한 진전을 이루었습니다. 그들은 "가상 노드 그래프 신경망(VGNN)"이라는 신경망을 설계했습니다.VGNN은 개인용 컴퓨터에서 단 몇 초 만에 수천 가지 재료에 대한 포논 분산 관계 계산을 완료할 수 있습니다.。

관련 연구 논문은 '완전 포논 예측을 위한 가상 노드 그래프 신경망'이라는 제목으로 과학저널 네이처 컴퓨팅 사이언스(Nature Computational Science)에 게재됐다.

연구 결과에 따르면 VGNN은 포논 예측에 성공했을 뿐만 아니라전자 밴드 구조, 광 흡수 피크, 자성과 같은 기타 복잡한 재료 특성 예측그것은 또한 어느 정도 잠재력을 보여줍니다.

예측 속도가 수백, 수천 배 증가합니다.

전 세계적으로 생산되는 에너지의 대략적으로 추산됩니다.70%결국 그것은 폐열이 됩니다.

과학자들이 열이 반도체와 절연체를 통해 어떻게 이동하는지 더 잘 예측할 수 있다면 보다 효율적인 발전 시스템을 설계할 수 있습니다. 그러나 재료의 열적 특성은 모델링하기가 매우 어렵습니다.

재료의 열적 특성은 재료의 미세 구조, 원자 배열 및 화학적 결합과 같은 다양한 복잡한 요소의 영향을 받습니다. 열적 특성은 매우 비선형적이고 다중 규모입니다.

재료의 열 특성 예측은 주로 포논 산란 관계의 측정에 따라 달라집니다. 전통적인 실험 측정 및 이론적 계산 방법은 실험 장비 및 작업에 대한 요구 사항이 높고 시간이 많이 걸리고 비용이 많이 들며 신속한 예측 및 요구 사항을 충족하기 어렵습니다. 대규모 상영.

기계 학습을 사용하여 재료 특성을 예측할 때 포논 산란 관계의 측정 및 모델링 프로세스는 실험 측정, 계산 모델링 및 기타 요인의 영향으로 인해 매우 복잡하며 현재 정확하게 예측하기가 어렵습니다.

이 작업에서 VGNN은 가상 노드를 도입하여 가변적이거나 심지어 임의 차원의 출력 특성을 처리할 수 있으므로 복잡한 재료의 원자 구조에서 직접 지역 중심 포논 에너지 및 전체 포논 밴드 구조를 계산할 수 있으며 포논 특성의 더 큰 최적화도 가능합니다. 구조 설계 공간에서 달성됩니다.

그림 | 그래프 신경망을 향상시키는 일반적인 방법인 VGNN 방법 개요

구체적으로 연구팀은 VVN(벡터 가상 노드), MVN(매트릭스 가상 노드), k-MVN(운동량 관련 매트릭스 가상 노드)이라는 세 가지 가상 노드 향상 방식을 제안했습니다.

VVN 방식은 가상 노드에서 직접 포논 스펙트럼을 얻지만 정보 전송에 병목 현상이 있습니다. MVN 방식은 가상 동적 매트릭스를 구성하여 포논 에너지를 예측하므로 k-MVN 방식이 단위 셀 변환을 사용하여 운동량 의존성을 생성하여 완전한 포논 밴드 구조를 얻습니다.

결과는 이러한 방법이 복잡한 재료의 포논 산란 관계를 성공적으로 예측한다는 것을 보여줍니다.

VGNN 모델의 성능을 테스트하기 위해 연구팀은 단일 단위 셀에 최대 400개의 원자를 포함하는 물질을 포함하여 5시간 이내에 146,000개 이상의 예측 결과를 생성하기 위해 8개의 GPU를 사용하는 일련의 실험을 설계했습니다.

현재 MLIP는 머신러닝 분야의 포논 예측을 위한 주요 방법이므로 연구자들은 실험의 정확성과 효율성 측면에서 VGNN과 MLIP의 성능을 비교했습니다.

그림 | VGNN과 MLIP의 계산 시간과 실행 시간 비교

실험 결과에 따르면 VGNN은 포논 확산 관계 예측 속도를 체계적으로 수백 배에서 수천 배까지 향상시키는 것으로 나타났습니다. 연구원들은 VGNN이 MLIP 계산 과정에서 사용되는 컴퓨팅 성능, 원자간 전위의 2차 미분, 푸리에 변환 단계를 우회하여 동적 행렬의 요소를 직접 추론하는 독특한 방법을 사용하여 예측 효율성을 크게 향상시킨다고 말했습니다.

또한 VGNN 모델은 복잡한 재료 특성을 예측하는 정확도에서 기존 GNN 방법을 능가할 뿐만 아니라 계산 효율성도 크게 향상시킵니다. 세 모델 모두 열용량 예측에 강력한 성능을 나타내며 k-MVN 모델은 오류가 가장 작습니다. .

연구팀은 또한 물리적 모델을 기반으로 한 가상 노드 추가 방식을 채택함으로써 복잡한 재료를 다룰 때 모델의 외삽 능력이 크게 향상되었다고 지적했습니다.

그림 │ k-MVN은 전체 포논 서브밴드 구조를 예측합니다.

MVN 및 k-MVN 방식은 수백 개의 원자 단위 셀이 포함된 복잡한 재료에서 탁월한 일반화 기능을 보여 주며, 이는 또한 가상 노드 추가 방식을 설계할 때 문제의 물리적 기반을 신중하게 고려하면 모델의 외관을 향상시킬 수 있음을 보여줍니다. .

연구에 따르면 일반적인 포논 밴드 구조는 상대적으로 복잡하지만 k-MVN 모델은 서로 다른 광학 가지 사이의 간격과 같은 포논 밴드의 위치와 모양을 여전히 예측할 수 있습니다.

연구팀은 또한 가상 노드 GNN을 사용하여 고엔트로피 합금의 포논 특성을 계산하고 100,000개 이상의 재료에 대한 포논 산란 데이터베이스를 구축했습니다. 이 획기적인 기술은 포논 예측의 효율성과 정확성을 크게 향상시킬 뿐만 아니라 미래의 재료 설계 및 최적화를 위한 강력한 도구를 제공합니다.

단점과 전망

VGNN 모델은 물질의 열적 특성을 예측하는 데 큰 잠재력을 보여주었지만, 연구팀은 k-MVN 모델이 전자 밴드 구조를 예측할 때 장거리 상호 작용의 영향을 포착하기가 여전히 어렵다고 밝혔습니다.

연구팀은 이러한 문제를 해결하기 위해 가상 노드 설계를 최적화하고 훈련 데이터 세트의 다양성을 높여 모델 성능을 더욱 향상시킬 계획이다.

앞으로 VGNN 방법은 합금, 계면, 비정질 고체재료의 최적 설계 등 더욱 폭넓은 재료 예측 분야에 적용될 것으로 기대된다. 그리고,이 기술은 신소재의 발견과 응용을 가속화할 뿐만 아니라 에너지 변환, 열에너지 저장, 초전도 소재 등 첨단 기술 분야의 발전도 촉진할 것입니다.。

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

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

｜나를 팔로우하고 별표를 표시하려면 클릭하세요｜