notícias

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

dia quente de verão,Smartphones, tablets e outros dispositivos eletrônicos costumam causar problemas de desempenho e segurança devido ao “superaquecimento” . Como projetar produtos eletrônicos com melhor dissipação de calor, os materiais são a chave.

Um dos principais links é:Preveja com precisão as propriedades térmicas dos materiais。

Os principais portadores que transportam calor nos materiais são os fônons, e o mecanismo de transporte e espalhamento dos fônons na interface determina a condutividade térmica do material. Portanto, modelar com precisão a relação de espalhamento de fônons tornou-se a chave para prever as propriedades térmicas dos materiais.

Hoje em dia, umNovos métodos de inteligência artificial (IA)Acelera bastante a previsão das propriedades térmicas dos materiais, em comparação com modelos tradicionais de aprendizado de máquinaAumentado em centenas a milhares de vezes。

Recentemente, uma equipe de pesquisa do Instituto de Tecnologia de Massachusetts (MIT) e seus colaboradores fizeram avanços importantes neste campo. Eles projetaram uma rede neural chamada "Rede Neural de Gráfico de Nó Virtual" (VGNN).O VGNN pode completar o cálculo das relações de dispersão de fônons para milhares de materiais em apenas alguns segundos em um computador pessoal.。

O artigo de pesquisa relevante é intitulado "Rede neural de gráfico de nó virtual para previsão completa de fônons" e foi publicado na revista científica Nature Computational Science.

O estudo descobriu que o VGNN não só teve sucesso na previsão de fônons, mas tambémPreveja outras propriedades complexas de materiais, como estrutura de banda eletrônica, picos de absorção óptica e magnetismoTambém mostra algum potencial.

A velocidade de previsão é aumentada em centenas ou milhares de vezes

Estima-se que aproximadamente da energia gerada globalmente70%Eventualmente, torna-se calor residual.

Se os cientistas puderem prever melhor como o calor se move através de semicondutores e isoladores, eles poderão projetar sistemas de geração de energia mais eficientes. No entanto, as propriedades térmicas dos materiais são extremamente difíceis de modelar.

As propriedades térmicas dos materiais são afetadas por uma variedade de fatores complexos, como a microestrutura do material, o arranjo atômico e a ligação química. Suas propriedades térmicas são altamente não lineares e multiescalares.

A previsão das propriedades térmicas do material depende principalmente da medição das relações de espalhamento de fônons. Os métodos tradicionais de medição experimental e cálculo teórico têm altos requisitos em equipamentos e operações experimentais, são demorados e caros e são difíceis de atender às necessidades de previsão rápida e. triagem em grande escala.

Ao usar o aprendizado de máquina para prever as propriedades dos materiais, o processo de medição e modelagem das relações de espalhamento de fônons é extremamente complicado devido à influência de medições experimentais, modelagem computacional e outros fatores, e atualmente é difícil prever com precisão.

Neste trabalho, o VGNN pode lidar com características de saída de dimensão variável ou mesmo arbitrária, introduzindo nós virtuais, permitindo assim o cálculo da energia central regional do fônon e da estrutura completa da banda do fônon diretamente da estrutura atômica em materiais complexos, e em maior otimização das propriedades do fônon é alcançado no espaço de projeto estrutural.

Figura Visão geral do método VGNN como um método geral para aprimorar redes neurais de grafos

Especificamente, a equipe de pesquisa propôs três esquemas diferentes de aprimoramento de nós virtuais, nomeadamente nó virtual vetorial (VVN), nó virtual de matriz (MVN) e nó virtual de matriz relacionado ao momento (k-MVN).

O esquema VVN obtém diretamente o espectro de fônons de nós virtuais, mas há um gargalo na transmissão de informações. O esquema MVN prevê a energia do fônon construindo uma matriz dinâmica virtual, que pode prever de forma robusta as propriedades térmicas de materiais complexos; usa tradução de células unitárias para gerar dependência de momento para obter a estrutura completa da banda de fônons.

Os resultados mostram que esses métodos prevêem com sucesso as relações de espalhamento de fônons em materiais complexos.

Para testar o desempenho do modelo VGNN, a equipe de pesquisa projetou uma série de experimentos usando 8 GPUs para gerar mais de 146.000 resultados de previsão em menos de 5 horas, envolvendo materiais com até 400 átomos em uma única célula unitária.

Atualmente, o MLIP é o principal método de predição de fônons na área de aprendizado de máquina, por isso os pesquisadores compararam o desempenho do VGNN e do MLIP em termos de precisão e eficiência nos experimentos.

Figura | Comparação do tempo de cálculo e tempo de execução de VGNN e MLIP

Resultados experimentais mostram que o VGNN melhora sistematicamente a velocidade de previsão das relações de difusão de fônons em centenas a milhares de vezes. Os pesquisadores disseram que o VGNN usa um método único de inferir diretamente os elementos da matriz dinâmica, ignorando as etapas do poder de computação, derivadas de segunda ordem dos potenciais interatômicos e transformadas de Fourier usadas no processo de cálculo do MLIP, melhorando significativamente a eficiência da previsão.

Além disso, o modelo VGNN não apenas supera o método GNN tradicional na precisão da previsão de propriedades complexas de materiais, mas também melhora significativamente a eficiência computacional. Todos os três modelos mostram forte desempenho na previsão da capacidade térmica, e o modelo k-MVN tem o menor erro. .

A equipe de pesquisa também apontou que ao adotar um esquema de adição de nós virtuais baseado no modelo físico, a capacidade de extrapolação do modelo ao lidar com materiais complexos foi significativamente melhorada.

Figura ｜k-MVN prevê a estrutura completa da sub-banda de fônons

Os esquemas MVN e k-MVN mostram excelentes capacidades de generalização em materiais complexos com centenas de células unitárias atômicas, o que também mostra que ao projetar esquemas de adição de nós virtuais, a consideração cuidadosa da base física do problema pode melhorar a aparência do modelo Push. habilidade.

A pesquisa mostra que, embora a estrutura geral da banda de fônons seja relativamente complexa, o modelo k-MVN ainda pode prever a posição e o formato da banda de fônons, como as lacunas entre os diferentes ramos ópticos.

A equipe de pesquisa também usou o nó virtual GNN para calcular as propriedades de fônons de ligas de alta entropia e estabeleceu um banco de dados de espalhamento de fônons para mais de 100.000 materiais. Essa inovação não apenas melhora significativamente a eficiência e a precisão da previsão de fônons, mas também fornece uma ferramenta poderosa para projeto e otimização de materiais futuros.

Deficiências e perspectivas

Embora o modelo VGNN tenha mostrado grande potencial na previsão das propriedades térmicas dos materiais, a equipe de pesquisa também afirmou que o modelo k-MVN ainda é difícil de capturar a influência das interações de longo alcance na previsão de estruturas de bandas eletrônicas.

Para resolver esses problemas, a equipe de pesquisa planeja melhorar ainda mais o desempenho do modelo, otimizando o design dos nós virtuais e aumentando a diversidade dos conjuntos de dados de treinamento.

No futuro, espera-se que o método VGNN seja aplicado a uma gama mais ampla de campos de previsão de materiais, incluindo o projeto ideal de ligas, interfaces e materiais sólidos amorfos. e,Esta tecnologia não só ajudará a acelerar a descoberta e aplicação de novos materiais, mas também promoverá o desenvolvimento de campos de alta tecnologia, como conversão de energia, armazenamento de energia térmica e materiais supercondutores.。

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

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

｜Clique para me seguir e lembre-se de estrelar｜