夏天太熱怎麼辦?AI 為「降溫」材料發現提速數千倍,你的手機、電腦或許再也不發燙了
炎炎夏日,智能手機、平板電腦等電子設備常因「過熱」而產生性能、安全問題。如何設計出散熱更好的電子產品,材料是關鍵。
而其中的一個關鍵環節是:精確地預測材料的熱性能。
材料中運輸熱量的主要載流子是聲子,聲子在界面處的運輸散射機制決定了材料的導熱性能。因此,精確地對聲子散射關係進行建模,成為材料熱性能預測的關鍵。
如今,一種新型人工智能(AI)方法大大加快了材料熱性能的預測速度,相較傳統機器學習模型提升數百倍至千倍。
近日,來自麻省理工學院(MIT)的研究團隊及其合作者在這一領域取得了重要突破,他們設計了一種名為「虛擬節點圖神經網絡」(Virtual Node Graph Neural Network,VGNN)的新型機器學習模型,只需在一台個人電腦上,VGNN 只需幾秒鍾即可完成幾千種材料的聲子色散關係計算。
![](http://n.sinaimg.cn/spider20240722/670/w1080h390/20240722/1a12-c7ec03165d92d4420959b103b647ab48.jpg)
相關研究論文以「Virtual node graph neural network for full phonon prediction」為題,已發表在科學期刊 Nature Computational Science 上。
研究發現,VGNN 不僅在聲子預測上取得了成功,在預測電子能帶結構、光學吸收峰和磁性等其他複雜材料性質方面也表現出一定的潛力。
預測速度提升百倍、千倍
據估計,全球產生的能源中約有70%最終都變成了廢熱。
如果科學家能夠更好地預測熱量如何通過半導體和絕緣體,他們就能設計出更高效的發電系統。然而,材料的熱性能建模起來卻極其困難。
材料的熱性能受材料的微觀結構、原子排列和化學鍵合等多種複雜因素的影響,其熱性能具有高度的非線性和多尺度特徵。
材料熱特性能預測主要取決於對聲子散射關係的測量,傳統的實驗測量和理論計算方法對實驗設備和操作要求高、耗時長、成本高,難以滿足快速預測和大規模篩選的需求。
利用機器學習進行材料性能預測時,受實驗測量、計算建模等因素影響,聲子散射關係的測量和建模過程異常複雜,目前還難以準確預測。
在這項工作中,VGNN 通過引入虛擬節點可以處理可變甚至任意維度的輸出特性,從而實現直接從複雜材料中的原子結構中計算區域中心聲子能量和全聲子帶結構,並在更大的結構設計空間中實現聲子屬性優化。
![圖|VGNN 方法作為增強圖神經網絡通用方法的概況](http://n.sinaimg.cn/spider20240722/148/w1080h668/20240722/196d-5a6f558ee9e1db7a8ef34793ec967a78.jpg)
具體而言,研究團隊提出了三種不同的虛擬節點增強方案,分別是向量虛擬節點(VVN)、矩陣虛擬節點(MVN)和動量相關矩陣虛擬節點(k-MVN)。
VVN 方案直接從虛擬節點獲取聲子頻譜,但信息傳遞上存在瓶頸;MVN 方案通過構建虛擬動力矩陣預測聲子能量,可以魯棒地預測複雜材料熱性能;k-MVN 方案利用單元格平移生成動量依賴性,獲得完整的聲子帶結構。
結果顯示,這些方法均成功地預測了複雜材料中的聲子散射關係。
為了測試 VGNN 模型的性能,研究團隊設計了一系列實驗,使用 8 個 GPU 在不到 5 小時內生成了 14.6 萬多個預測結果,涉及到單個晶胞中多達 400 個原子的材料。
當前,MLIP 是機器學習領域進行聲子預測的主要方法,因此研究人員在實驗中對比了 VGNN 與 MLIP 在準確性和效率方面的表現。
![圖|VGNN 和 MLIP 的計算時間運行時間比較](http://n.sinaimg.cn/spider20240722/118/w1080h638/20240722/6d75-b98c75de0d5bd67154e6e2d2bda76ad1.jpg)
實驗結果顯示,VGNN 系統性地將預測聲子擴散關係的速度提升了數百倍至千倍。研究人員表示,VGNN 運用直接推斷動力學矩陣元素的獨特方法,繞過了 MLIP 計算過程中採用的計算力、原子間勢的二階導數和傅里葉變換等步驟,顯著提升了預測效率。
此外,VGNN 模型不僅在複雜材料性能預測的精度上超過了傳統的 GNN 方法,還顯著提升了計算效率,三種模型在預測熱容量方面都表現出強勁的性能,並且 k-MVN 模型誤差最小。
研究團隊還指出,通過採用基於物理模型的虛擬節點添加方案,模型在處理複雜材料時的外推能力得到了顯著提升。
![圖|k-MVN 預測全聲子帶結構](http://n.sinaimg.cn/spider20240722/113/w1080h633/20240722/a25a-faa4701d0e3e860526ecea5825a1a563.jpg)
MVN 和 k-MVN 方案在具有數百個原子單位胞的複雜材料中表現出了出色的泛化能力,這也表明在設計虛擬節點添加方案時,仔細考慮問題的物理學基礎可以增強模型的外推能力。
研究顯示,儘管一般聲子帶結構較為複雜,但 k-MVN 模型仍能預測聲子帶的位置和形狀,如不同光學分支之間的間隙。
研究團隊還使用虛擬節點 GNN 計算了高熵合金的聲子性質,並為十多萬種材料建立了聲子散射數據庫。這一突破不僅顯著提高了聲子預測的效率和準確性,還為未來的材料設計和優化提供了強大的工具。
不足與展望
儘管 VGNN 模型在材料熱性能預測方面展現出了巨大的潛力,但研究團隊也表示,在預測電子能帶結構時,k-MVN 模型還難以捕捉長程相互作用的影響。
為解決這些問題,研究團隊計劃通過優化虛擬節點的設計和增加訓練數據集的多樣性來進一步提升模型性能。
未來,VGNN 方法有望應用於更廣泛的材料預測領域,包括合金、界面和非晶態固體材料的優化設計。而且,這一技術不僅有助於加速新材料的發現和應用,還將推動能源轉換、熱能存儲和超導材料等高科技領域的發展。
參考鏈接:
https://www.nature.com/articles/s43588-024-00661-0
https://www.nature.com/articles/s43588-024-00665-w
本文來自微信公眾號「學術頭條」(ID:SciTouTiao),作者:學術頭條,36氪經授權發佈。