Новости

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

жаркий летний день,Смартфоны, планшеты и другие электронные устройства часто вызывают проблемы с производительностью и безопасностью из-за «перегрева». . Как проектировать электронные продукты с лучшим рассеиванием тепла, материалы являются ключевым моментом.

Одна из ключевых ссылок:Точно прогнозировать тепловые свойства материалов。

Основными переносчиками тепла в материалах являются фононы, а механизм переноса и рассеяния фононов на границе раздела определяет теплопроводность материала. Поэтому точное моделирование процесса рассеяния фононов стало ключом к предсказанию тепловых свойств материалов.

В настоящее времяНовые методы искусственного интеллекта (ИИ)Значительно ускоряет прогнозирование тепловых свойств материала по сравнению с традиционными моделями машинного обучения.Увеличивается в сотни и тысячи раз.。

Недавно исследовательская группа из Массачусетского технологического института (MIT) и их коллеги совершили важные прорывы в этой области. Они разработали нейронную сеть под названием «Нейронная сеть с виртуальным графом узлов» (VGNN).ВГНН может выполнить расчет соотношений дисперсии фононов для тысяч материалов всего за несколько секунд на персональном компьютере.。

Соответствующая исследовательская статья называется «Нейронная сеть графа виртуальных узлов для полного предсказания фононов» и опубликована в научном журнале Nature Computational Science.

Исследование показало, что VGNN не только преуспела в предсказании фононов, но иПрогнозируйте другие сложные свойства материала, такие как электронная зонная структура, пики оптического поглощения и магнетизм.Это также показывает некоторый потенциал.

Скорость прогнозирования увеличивается в сотни и тысячи раз.

По оценкам, примерно часть энергии, вырабатываемой в мире70%В конечном итоге оно превращается в отходящее тепло.

Если ученые смогут лучше предсказать, как тепло проходит через полупроводники и изоляторы, они смогут разработать более эффективные системы производства электроэнергии. Однако тепловые свойства материалов чрезвычайно сложно смоделировать.

На тепловые свойства материалов влияет множество сложных факторов, таких как микроструктура материала, расположение атомов и химическая связь. Его термические свойства сильно нелинейны и многомасштабны.

Прогнозирование тепловых свойств материала в основном зависит от измерения соотношений рассеяния фононов. Традиционные методы экспериментальных измерений и теоретических расчетов предъявляют высокие требования к экспериментальному оборудованию и операциям, требуют много времени и денег, и их трудно удовлетворить потребностям быстрого прогнозирования. масштабный скрининг.

При использовании машинного обучения для прогнозирования свойств материала процесс измерения и моделирования отношений рассеяния фононов чрезвычайно сложен из-за влияния экспериментальных измерений, компьютерного моделирования и других факторов, и в настоящее время его трудно предсказать точно.

В этой работе VGNN может обрабатывать переменные или даже произвольные выходные характеристики путем введения виртуальных узлов, что позволяет рассчитывать энергию фононов регионального центра и полную фононную зонную структуру непосредственно из атомной структуры в сложных материалах и в более крупных материалах. Оптимизация свойств фононов достигается в пространстве структурного проектирования.

Рисунок | Обзор метода VGNN как общего метода улучшения графовых нейронных сетей

В частности, исследовательская группа предложила три различные схемы улучшения виртуального узла, а именно векторный виртуальный узел (VVN), матричный виртуальный узел (MVN) и матричный виртуальный узел, связанный с импульсом (k-MVN).

Схема VVN получает фононный спектр непосредственно из виртуальных узлов, но есть узкое место в передаче информации; схема MVN прогнозирует энергию фононов путем построения виртуальной динамической матрицы, которая может надежно предсказывать тепловые свойства сложных материалов; схема k-MVN; использует трансляцию элементарной ячейки для генерации зависимости от импульса и получения полной структуры фононной зоны.

Результаты показывают, что эти методы успешно предсказывают закономерности рассеяния фононов в сложных материалах.

Чтобы проверить производительность модели VGNN, исследовательская группа разработала серию экспериментов с использованием 8 графических процессоров для создания более 146 000 прогнозов менее чем за 5 часов с использованием материалов, содержащих до 400 атомов в одной элементарной ячейке.

В настоящее время MLIP является основным методом предсказания фононов в области машинного обучения, поэтому исследователи сравнили производительность VGNN и MLIP с точки зрения точности и эффективности в экспериментах.

Рисунок | Сравнение времени расчета и времени работы VGNN и MLIP

Экспериментальные результаты показывают, что VGNN систематически повышает скорость прогнозирования диффузионных отношений фононов в сотни и тысячи раз. Исследователи заявили, что VGNN использует уникальный метод прямого вывода элементов динамической матрицы, минуя этапы вычислительной мощности, производные второго порядка межатомных потенциалов и преобразования Фурье, используемые в процессе вычислений MLIP, что значительно повышает эффективность прогнозирования.

Кроме того, модель VGNN не только превосходит традиционный метод GNN по точности прогнозирования сложных свойств материала, но и значительно повышает эффективность вычислений. Все три модели показывают высокие показатели прогнозирования теплоемкости, а модель k-MVN имеет наименьшую ошибку. .

Исследовательская группа также отметила, что благодаря использованию схемы добавления виртуальных узлов, основанной на физической модели, способность модели к экстраполяции при работе со сложными материалами значительно улучшилась.

Рисунок ｜k-MVN предсказывает полную структуру фононных подзон.

Схемы MVN и k-MVN демонстрируют отличные возможности обобщения в сложных материалах с сотнями атомных элементарных ячеек, что также показывает, что тщательное рассмотрение физической основы проблемы при разработке схем добавления виртуальных узлов может улучшить внешний вид модели. .

Исследования показывают, что, хотя общая структура фононной зоны относительно сложна, модель k-MVN все же может предсказывать положение и форму фононной зоны, например, промежутки между различными оптическими ветвями.

Исследовательская группа также использовала виртуальный узел GNN для расчета фононных свойств высокоэнтропийных сплавов и создала базу данных по рассеянию фононов для более чем 100 000 материалов. Этот прорыв не только значительно повышает эффективность и точность прогнозирования фононов, но также предоставляет мощный инструмент для проектирования и оптимизации будущих материалов.

Недостатки и перспективы

Хотя модель VGNN показала большой потенциал в прогнозировании тепловых свойств материала, исследовательская группа также заявила, что модели k-MVN все еще трудно уловить влияние дальнодействующих взаимодействий при прогнозировании зонных электронных структур.

Чтобы решить эти проблемы, исследовательская группа планирует еще больше улучшить производительность модели за счет оптимизации конструкции виртуальных узлов и увеличения разнообразия наборов обучающих данных.

Ожидается, что в будущем метод VGNN будет применяться к более широкому кругу областей прогнозирования материалов, включая оптимальный дизайн сплавов, интерфейсов и аморфных твердых материалов. и,Эта технология не только поможет ускорить открытие и применение новых материалов, но также будет способствовать развитию высокотехнологичных областей, таких как преобразование энергии, хранение тепловой энергии и сверхпроводящие материалы.。

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

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

｜Нажмите, чтобы подписаться на меня, и не забудьте поставить звездочку｜