研究人员创建了一种机器学习框架，可以以比现有人工智能方法快多达1000倍的速度预测材料中的重要热传递特性。这一进展可能有助于科学家提高发电系统和微电子设备的效率。
目前估计，世界上约70%的能源生产导致了热量浪费。
如果研究人员能够增强预测半导体和绝缘体中热量运动的能力，他们将能够设计出更高效的发电系统。然而，准确建模材料的热特性面临重大挑战。
困难来源于声子，这些亚原子粒子负责传递热量。某些热特性依赖于一种被称为声子色散关系的测量，而这在系统设计中往往很难获得和应用。
来自麻省理工学院及其他机构的一个合作团队用全新的视角解决了这个问题。他们开发了一种新的机器学习框架，可以以比其他基于人工智能的方法快多达1000倍的速度预测声子色散关系，且精度可以与其媲美，甚至更高。与传统的非人工智能方法相比，这项创新可以快一百万倍。
这一新技术可能使工程师能够创建更高效和更有生产力的发电系统。此外，它也有望在微电子领域的发展，因为热管理是提高电子速度的一个关键障碍。
麻省理工学院核科学与工程副教授、《该方法论文》的资深作者李明达表示：“声子负责热损失，但准确确定它们的特性在计算和实验上都极其困难。”
李的合著者包括共同负责人、化学研究生冈部亮太郎和电气工程与计算机科学研究生阿比贾特梅德希·乔塔拉特纳皮图克。他们还与麻省理工学院电气工程与计算机科学的托马斯·西贝教授汤米·雅卡科拉、阿根廷国家实验室、哈佛大学、南卡罗来纳大学、埃默里大学、加州大学圣巴巴拉分校和橡树岭国家实验室的合作者合作。研究结果详细刊登在《自然计算科学》上。
理解声子
预测携带热量的声子是具有挑战性的，因为它们具有广泛的频率范围和不同的相互作用及传播速度。
材料的声子色散关系展示了声子在其晶体结构中能量与动量之间的关系。多年来，科学家们一直寻求使用机器学习来预测这些关系，但涉及的众多高精度计算常常会拖慢模型的运行速度。
冈部说：“使用100个CPU运行几周的时间，可能仅仅计算出单一材料的声子色散关系。整个研究社区需要一个更高效的解决方案。”
通常，科学家们使用图神经网络（GNN）进行这些预测。GNN将材料的原子框架转化为一个晶体图，由表示原子的节点及通过边表示它们之间的键连接而成。
尽管GNN可以有效计算诸如磁化或电极化等各种性质，但它们缺乏高效预测高度复杂的声子色散关系所需的灵活性。这主要是因为声子可以沿X、Y和Z轴移动，使其动量空间在固定图形排列中难以建模。
为了增强灵活性，李和他的团队引入了虚拟节点。
他们通过将灵活的虚拟节点整合到已建立的晶体结构中以代表声子，开发了他们所称的虚拟节点图神经网络（VGNN）。这些虚拟节点允许神经网络的输出在大小上进行调整，因此不会被固定的晶体布局所限制。
虚拟节点设计为以一种方式连接到图中，使其只能接收来自真实节点的信息。尽管虚拟节点在计算过程中与真实节点一起更新，但它们对模型的整体准确性没有影响。
乔塔拉特纳皮图克解释说：“我们的技术在编码方面非常高效。您只需在GNN中添加几个节点。物理位置并不重要，真实节点对虚拟节点的存在毫无所知。”
简化复杂性
由于虚拟节点代表声子，VGNN在估计声子色散关系时可以跳过许多复杂的计算，相较于标准GNN效率更高。
研究人员提出了三种版本的VGNN，每种版本的复杂性各不相同。每种版本都可以直接从材料的原子坐标预测声子。
借助他们方法的灵活性，能够快速建模高维特性，他们还可以应用于估计合金系统中的声子色散关系。这些金属和非金属的复杂混合物对传统建模方法尤其具有挑战性。
团队还发现，在预测材料的比热时，VGNN略微优于其他方法，某些情况下的预测误差降低了两个数量级。
根据李的说法，使用VGNN，可以在个人计算机上在几秒钟内计算出成千上万种材料的声子色散关系。
这种效率的提高使科学家能够探索更多选择，以寻找具有特定热特征的材料，例如优越的热储存、能量转换能力或超导性。
此外，虚拟节点方法不仅适用于声子，还有可能有助于预测具有挑战性的光学和磁性特性。
展望未来，研究人员计划进一步完善他们的方法，提高虚拟节点的灵敏度，以检测可能影响声子结构的微小变化。
李表示：“研究人员过于依赖图节点来表示原子，但我们可以换个思路。图节点可以表示任何东西。虚拟节点为预测多种高维量提供了一种非常灵活的解决方案。”
这项研究得到了美国能源部、国家科学基金会、Mathworks奖学金、陈守兴奖学金、哈佛量子计划以及橡树岭国家实验室的支持。
