MIT News - Computer Science and Artificial Intelligence Laboratory (CSAIL)
·
人工智能方法大幅加速材料热性能预测
💡
原文英文，约1100词，阅读约需4分钟。
📝
内容提要
科学家们开发了一种新的机器学习框架，可以快速预测声子色散关系，准确性更好。该方法可用于设计高效能源发电系统和微电子产品，也适用于预测其他材料性质。
🎯
关键要点
- 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。
➡️
