人工智能方法大幅加速材料热性能预测

全球约70%的能源产生后变为废热。

科学家们希望更好地预测热量在半导体和绝缘体中的传递，以设计更高效的发电系统。

声子是携带热量的亚原子粒子，其热学性质依赖于声子色散关系，获取这些关系非常困难。

麻省理工学院及其他机构的研究团队开发了一种新的机器学习框架，可以比其他AI技术快1000倍预测声子色散关系，且准确性相当或更好。

该方法可帮助工程师设计更高效的能源发电系统和微电子产品。

声子预测困难在于其频率范围广，粒子相互作用和传播速度不同。

研究人员提出了虚拟节点图神经网络（VGNN），通过添加灵活的虚拟节点来提高模型的灵活性。

VGNN能够跳过许多复杂计算，使得预测声子色散关系的效率高于标准GNN。

研究人员提出了三种不同复杂度的VGNN版本，可以直接从材料的原子坐标预测声子。

VGNN在预测材料热容时提供了更高的准确性，预测误差在某些情况下低了两个数量级。

VGNN可以在几秒钟内计算几千种材料的声子色散关系，极大提高了材料搜索的效率。

虚拟节点技术不仅限于声子，也可用于预测光学和磁性等其他复杂性质。

研究人员希望进一步改进技术，使虚拟节点对声子结构的小变化更敏感。

该研究得到了美国能源部、国家科学基金会等机构的支持。