Was tun, wenn der Sommer zu heiß ist? KI beschleunigt die Entdeckung von „kühlenden“ Materialien um ein Vielfaches, und Ihr Telefon und Ihr Computer werden möglicherweise nie wieder heiß

Im heißen Sommer kommt es bei elektronischen Geräten wie Smartphones und Tablets häufig zu Leistungs- und Sicherheitsproblemen aufgrund von „Überhitzung“ . Materialien sind der Schlüssel zur Entwicklung elektronischer Produkte mit besserer Wärmeableitung.

Ein entscheidender Schritt besteht darin, die thermischen Eigenschaften von Materialien genau vorherzusagen .

Der Hauptträger für den Wärmetransport in Materialien sind Phononen, und der Transport- und Streumechanismus von Phononen an der Schnittstelle bestimmt die Wärmeleitfähigkeit des Materials. Daher ist die genaue Modellierung der Phononenstreuungsbeziehung der Schlüssel zur Vorhersage der thermischen Eigenschaften von Materialien.

Nun hat eine neue Methode der künstlichen Intelligenz (KI) die Vorhersage der thermischen Eigenschaften von Materialien im Vergleich zu herkömmlichen Modellen des maschinellen Lernens um das Hundert- bis Tausendfache beschleunigt.

Kürzlich ist einem Forschungsteam des Massachusetts Institute of Technology (MIT) und seinen Mitarbeitern ein wichtiger Durchbruch auf diesem Gebiet gelungen. Sie entwarfen ein neues Modell für maschinelles Lernen namens „Virtual Node Graph Neural Network“ (VGNN). Auf einem PC kann VGNN die Berechnung der Phononendispersionsrelationen für Tausende von Materialien in nur wenigen Sekunden abschließen .

Die zugehörige Forschungsarbeit mit dem Titel „Virtual node graph neural network for full phonon prediction“ wurde in der wissenschaftlichen Zeitschrift Nature Computational Science veröffentlicht.

Die Studie ergab, dass VGNN nicht nur bei der Phononenvorhersage erfolgreich war, sondern auch ein gewisses Potenzial bei der Vorhersage anderer komplexer Materialeigenschaften wie der elektronischen Bandstruktur, optischer Absorptionsspitzen und des Magnetismus zeigte.

Die Vorhersagegeschwindigkeit wurde um das 100- oder 1.000-fache erhöht

Schätzungsweise 70 % der weltweit erzeugten Energie enden als Abwärme.

Wenn Wissenschaftler die Wärmebewegung durch Halbleiter und Isolatoren besser vorhersagen können, können sie effizientere Stromerzeugungssysteme entwickeln. Allerdings sind die thermischen Eigenschaften von Materialien äußerst schwierig zu modellieren.

Die thermischen Eigenschaften von Materialien werden von vielen komplexen Faktoren beeinflusst, beispielsweise von der Mikrostruktur des Materials, der Atomanordnung und der chemischen Bindung. Ihre thermischen Eigenschaften sind hochgradig nichtlinear und mehrskalig.

Die Vorhersage der thermischen Eigenschaften von Materialien hängt hauptsächlich von der Messung von Phononenstreuungsbeziehungen ab. Herkömmliche experimentelle Mess- und theoretische Berechnungsmethoden stellen hohe Anforderungen an die experimentelle Ausrüstung und den Ablauf, sind zeitaufwändig und kostspielig und können den Anforderungen an schnelle Vorhersagen und groß angelegte Screenings nicht gerecht werden.

Beim Einsatz maschinellen Lernens zur Vorhersage von Materialeigenschaften ist der Mess- und Modellierungsprozess der Phononenstreuungsbeziehungen aufgrund von Faktoren wie experimenteller Messung und rechnerischer Modellierung äußerst komplex und lässt sich derzeit nur schwer genau vorhersagen.

In dieser Arbeit kann VGNN durch die Einführung virtueller Knoten Ausgabeeigenschaften variabler oder sogar beliebiger Dimensionen verarbeiten und so die regionale zentrale Phononenenergie und die vollständige Phononenbandstruktur direkt aus der Atomstruktur in komplexen Materialien berechnen und eine Optimierung der Phononeneigenschaften in einem größeren strukturellen Designraum erreichen.

Abbildung | Überblick über die VGNN-Methode als allgemeine Methode zur Verbesserung von Graph-Neural-Networks

Konkret schlug das Forschungsteam drei verschiedene Schemata zur Verbesserung virtueller Knoten vor, nämlich den virtuellen Vektorknoten (VVN), den virtuellen Matrixknoten (MVN) und den momentumkorrelierten virtuellen Matrixknoten (k-MVN).

Das VVN-Schema erhält das Phononenspektrum direkt vom virtuellen Knoten, es gibt jedoch einen Engpass bei der Informationsübertragung. Das MVN-Schema sagt die Phononenenergie durch die Konstruktion einer virtuellen dynamischen Matrix voraus, mit der sich die thermischen Eigenschaften komplexer Materialien zuverlässig vorhersagen lassen. Das k-MVN-Schema verwendet die Einheitszellentranslation, um eine Impulsabhängigkeit zu erzeugen und die vollständige Phononenbandstruktur zu erhalten.

Die Ergebnisse zeigen, dass diese Methoden alle erfolgreich Phononenstreuungsbeziehungen in komplexen Materialien vorhersagen.

Um die Leistung des VGNN-Modells zu testen, entwarf das Forschungsteam eine Reihe von Experimenten, bei denen mithilfe von 8 GPUs in weniger als 5 Stunden mehr als 146.000 Vorhersagen generiert wurden, wobei Materialien mit bis zu 400 Atomen in einer einzigen Elementarzelle beteiligt waren.

Derzeit ist MLIP die Hauptmethode zur Phononenvorhersage im Bereich des maschinellen Lernens, daher verglichen die Forscher im Experiment die Leistung von VGNN und MLIP hinsichtlich Genauigkeit und Effizienz.

Abbildung ｜ Vergleich der Rechenzeit und Laufzeit von VGNN und MLIP

Experimentelle Ergebnisse zeigen, dass VGNN die Vorhersage von Phononendiffusionsbeziehungen systematisch um das Hundert- bis Tausendfache beschleunigt. Die Forscher sagten, dass VGNN eine einzigartige Methode zur direkten Ableitung der Elemente der Dynamikmatrix verwendet und dabei die Schritte zur Berechnung der Kraft, der Ableitungen zweiter Ordnung des interatomaren Potenzials und der Fourier-Transformation umgeht, die im MLIP-Berechnungsprozess verwendet werden, wodurch die Vorhersageeffizienz erheblich verbessert wird.

Darüber hinaus übertrifft das VGNN-Modell die traditionelle GNN-Methode nicht nur hinsichtlich der Genauigkeit bei der Vorhersage komplexer Materialeigenschaften, sondern verbessert auch die Rechenleistung erheblich. Alle drei Modelle zeigen eine gute Leistung bei der Vorhersage der Wärmekapazität und das k-MVN-Modell weist den geringsten Fehler auf.

Das Forschungsteam wies außerdem darauf hin, dass durch die Einführung eines virtuellen Knotenadditionsschemas auf Grundlage des physikalischen Modells die Extrapolationsfähigkeit des Modells beim Umgang mit komplexen Materialien erheblich verbessert wurde.

Abbildung ｜k-MVN sagt die vollständige akustische Subbandstruktur voraus

Die MVN- und k-MVN-Schemata weisen hervorragende Generalisierungsfähigkeiten in komplexen Materialien mit Hunderten von atomaren Einheitszellen auf, was auch zeigt, dass eine sorgfältige Berücksichtigung der physikalischen Grundlagen des Problems beim Entwurf des Schemas zur Hinzufügung virtueller Knoten die Extrapolationsfähigkeit des Modells verbessern kann.

Die Studie zeigt, dass das k-MVN-Modell trotz der allgemeinen Komplexität der Phononenbandstruktur immer noch die Position und Form der Phononenbänder vorhersagen kann, beispielsweise die Lücken zwischen verschiedenen optischen Zweigen.

Das Forschungsteam verwendete außerdem den virtuellen Knoten GNN, um die Phononeneigenschaften von Legierungen mit hoher Entropie zu berechnen, und erstellte eine Phononenstreuungsdatenbank für mehr als 100.000 Materialien. Dieser Durchbruch verbessert nicht nur die Effizienz und Genauigkeit von Phononenvorhersagen erheblich, sondern bietet auch ein leistungsstarkes Werkzeug für zukünftiges Materialdesign und -optimierung.

Mängel und Perspektiven

Obwohl das VGNN-Modell großes Potenzial bei der Vorhersage der thermischen Eigenschaften von Materialien gezeigt hat, stellte das Forschungsteam auch fest, dass das k-MVN-Modell bei der Vorhersage elektronischer Bandstrukturen immer noch Schwierigkeiten hat, die Auswirkungen von Wechselwirkungen über große Entfernungen zu erfassen.

Um diese Probleme zu lösen, plant das Forschungsteam, die Modellleistung weiter zu verbessern, indem es das Design virtueller Knoten optimiert und die Vielfalt der Trainingsdatensätze erhöht.

In Zukunft wird erwartet, dass die VGNN-Methode in einem breiteren Spektrum der Materialvorhersage eingesetzt wird, einschließlich der Optimierung des Designs von Legierungen, Schnittstellen und amorphen Feststoffen. Darüber hinaus wird diese Technologie nicht nur dazu beitragen, die Entdeckung und Anwendung neuer Materialien zu beschleunigen, sondern auch die Entwicklung von Hightech-Bereichen wie Energieumwandlung, thermischer Energiespeicherung und supraleitenden Materialien fördern .