noticias

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

caluroso día de verano,Los teléfonos inteligentes, tabletas y otros dispositivos electrónicos suelen causar problemas de rendimiento y seguridad debido al "sobrecalentamiento" . Cómo diseñar productos electrónicos con una mejor disipación del calor, los materiales son la clave.

Uno de los enlaces clave es:Predecir con precisión las propiedades térmicas de los materiales.。

Los principales portadores de calor en los materiales son los fonones, y el mecanismo de transporte y dispersión de los fonones en la interfaz determina la conductividad térmica del material. Por lo tanto, modelar con precisión la relación de dispersión de fonones se ha convertido en la clave para predecir las propiedades térmicas de los materiales.

Hoy en día, unNuevos métodos de inteligencia artificial (IA)Acelera enormemente la predicción de las propiedades térmicas de los materiales, en comparación con los modelos tradicionales de aprendizaje automático.Incrementado de cientos a miles de veces.。

Recientemente, un equipo de investigación del Instituto Tecnológico de Massachusetts (MIT) y sus colaboradores han logrado importantes avances en este campo. Diseñaron una red neuronal llamada "Virtual Node Graph Neural Network" (VGNN).VGNN puede completar el cálculo de las relaciones de dispersión de fonones para miles de materiales en tan solo unos segundos en una computadora personal.。

El artículo de investigación relevante se titula "Red neuronal de gráficos de nodos virtuales para la predicción completa de fonones" y se publicó en la revista científica Nature Computational Science.

El estudio encontró que VGNN no sólo tuvo éxito en la predicción de fonones, sino tambiénPredecir otras propiedades complejas de los materiales, como la estructura de bandas electrónicas, los picos de absorción óptica y el magnetismo.También muestra cierto potencial.

La velocidad de predicción aumenta cientos o miles de veces.

Se estima que aproximadamente de la energía generada a nivel mundial70%Al final se convierte en calor residual.

Si los científicos pueden predecir mejor cómo se mueve el calor a través de semiconductores y aislantes, podrán diseñar sistemas de generación de energía más eficientes. Sin embargo, las propiedades térmicas de los materiales son extremadamente difíciles de modelar.

Las propiedades térmicas de los materiales se ven afectadas por una variedad de factores complejos, como la microestructura del material, la disposición atómica y los enlaces químicos. Sus propiedades térmicas son altamente no lineales y de múltiples escalas.

La predicción de las propiedades térmicas de los materiales depende principalmente de la medición de las relaciones de dispersión de fonones. Los métodos tradicionales de medición experimental y cálculo teórico tienen altos requisitos en cuanto a equipos y operaciones experimentales, consumen mucho tiempo y son costosos, y son difíciles de satisfacer las necesidades de predicción rápida. cribado a gran escala.

Cuando se utiliza el aprendizaje automático para predecir propiedades de materiales, el proceso de medición y modelado de las relaciones de dispersión de fonones es extremadamente complejo debido a la influencia de mediciones experimentales, modelos computacionales y otros factores, y actualmente es difícil predecir con precisión.

En este trabajo, VGNN puede manejar características de salida de dimensiones variables o incluso arbitrarias mediante la introducción de nodos virtuales, lo que permite el cálculo de la energía del fonón del centro regional y la estructura completa de la banda del fonón directamente desde la estructura atómica en materiales complejos y en optimización más grande de las propiedades de los fonones. se logra en el espacio del diseño estructural.

Figura | Descripción general del método VGNN como método general para mejorar las redes neuronales gráficas

Específicamente, el equipo de investigación propuso tres esquemas diferentes de mejora de nodos virtuales, a saber, el nodo virtual vectorial (VVN), el nodo virtual matricial (MVN) y el nodo virtual matricial relacionado con el impulso (k-MVN).

El esquema VVN obtiene el espectro de fonones directamente de nodos virtuales, pero existe un cuello de botella en la transmisión de información; el esquema MVN predice la energía de los fonones mediante la construcción de una matriz dinámica virtual, que puede predecir de manera sólida las propiedades térmicas de materiales complejos; utiliza la traducción de celdas unitarias para generar dependencia del impulso para obtener la estructura completa de la banda de fonones.

Los resultados muestran que estos métodos predicen con éxito las relaciones de dispersión de fonones en materiales complejos.

Para probar el rendimiento del modelo VGNN, el equipo de investigación diseñó una serie de experimentos utilizando 8 GPU para generar más de 146.000 resultados de predicción en menos de 5 horas, involucrando materiales con hasta 400 átomos en una sola celda unitaria.

Actualmente, MLIP es el principal método de predicción de fonones en el campo del aprendizaje automático, por lo que los investigadores compararon el rendimiento de VGNN y MLIP en términos de precisión y eficiencia en los experimentos.

Figura | Comparación del tiempo de cálculo y el tiempo de ejecución de VGNN y MLIP

Los resultados experimentales muestran que VGNN mejora sistemáticamente la velocidad de predicción de las relaciones de difusión de fonones entre cientos y miles de veces. Los investigadores dijeron que VGNN utiliza un método único para inferir directamente los elementos de la matriz dinámica, evitando los pasos de la potencia de cálculo, las derivadas de segundo orden de potenciales interatómicos y las transformadas de Fourier utilizadas en el proceso de cálculo MLIP, mejorando significativamente la eficiencia de la predicción.

Además, el modelo VGNN no solo supera al método GNN tradicional en la precisión de predecir propiedades complejas de materiales, sino que también mejora significativamente la eficiencia computacional. Los tres modelos muestran un fuerte rendimiento en la predicción de la capacidad calorífica, y el modelo k-MVN tiene el error más pequeño. .

El equipo de investigación también señaló que al adoptar un esquema de adición de nodos virtuales basado en el modelo físico, se ha mejorado significativamente la capacidad de extrapolación del modelo cuando se trata de materiales complejos.

La figura ｜k-MVN predice la estructura completa de la subbanda de fonones

Los esquemas MVN y k-MVN muestran excelentes capacidades de generalización en materiales complejos con cientos de celdas unitarias atómicas, lo que también muestra que una consideración cuidadosa de la base física del problema al diseñar esquemas de adición de nodos virtuales puede mejorar la apariencia del modelo. .

La investigación muestra que, aunque la estructura general de la banda de fonones es relativamente compleja, el modelo k-MVN aún puede predecir la posición y la forma de la banda de fonones, como los espacios entre diferentes ramas ópticas.

El equipo de investigación también utilizó el nodo virtual GNN para calcular las propiedades de los fonones de aleaciones de alta entropía y estableció una base de datos de dispersión de fonones para más de 100.000 materiales. Este avance no sólo mejora significativamente la eficiencia y precisión de la predicción de fonones, sino que también proporciona una poderosa herramienta para el diseño y la optimización de futuros materiales.

Deficiencias y perspectivas.

Aunque el modelo VGNN ha demostrado un gran potencial para predecir las propiedades térmicas de los materiales, el equipo de investigación también afirmó que el modelo k-MVN todavía es difícil de capturar la influencia de las interacciones de largo alcance al predecir estructuras de bandas electrónicas.

Para resolver estos problemas, el equipo de investigación planea mejorar aún más el rendimiento del modelo optimizando el diseño de nodos virtuales y aumentando la diversidad de conjuntos de datos de entrenamiento.

En el futuro, se espera que el método VGNN se aplique a una gama más amplia de campos de predicción de materiales, incluido el diseño óptimo de aleaciones, interfaces y materiales sólidos amorfos. y,Esta tecnología no sólo ayudará a acelerar el descubrimiento y la aplicación de nuevos materiales, sino que también promoverá el desarrollo de campos de alta tecnología como la conversión de energía, el almacenamiento de energía térmica y los materiales superconductores.。

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

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

｜Haz clic para seguirme y recuerda destacar｜