Schätzungsweise enden etwa 70 Prozent der weltweit erzeugten Energie als Abwärme.
Wenn Wissenschaftler besser vorhersagen könnten, wie sich Wärme durch Halbleiter und Isolatoren bewegt, könnten sie effizientere Stromerzeugungssysteme entwickeln. Die thermischen Eigenschaften von Materialien können jedoch äußerst schwierig zu modellieren sein.
Das Downside sind Phononen, subatomare Teilchen, die Wärme transportieren. Einige der thermischen Eigenschaften eines Supplies hängen von einer Messung namens Phononendispersionsrelation ab, die unglaublich schwer zu erhalten sein kann, ganz zu schweigen davon, sie bei der Entwicklung eines Techniques zu nutzen.
Ein Forscherteam vom MIT und anderswo hat sich dieser Herausforderung gestellt, indem es das Downside von Grund auf neu überdacht hat. Das Ergebnis ihrer Arbeit ist ein neues maschinelles Lern-Framework, das Phononendispersionsrelationen bis zu 1.000 Mal schneller vorhersagen kann als andere KI-basierte Techniken – mit vergleichbarer oder sogar besserer Genauigkeit. Im Vergleich zu traditionelleren, nicht KI-basierten Ansätzen könnte es 1 Million Mal schneller sein.
Diese Methode könnte Ingenieuren dabei helfen, Energieerzeugungssysteme zu entwickeln, die mehr Strom effizienter produzieren. Sie könnte auch dazu verwendet werden, effizientere Mikroelektronik zu entwickeln, da die Wärmebeherrschung nach wie vor ein großes Hindernis bei der Beschleunigung elektronischer Geräte darstellt.
„Phononen sind für den Wärmeverlust verantwortlich, doch ihre Eigenschaften zu ermitteln ist äußerst schwierig, sowohl rechnerisch als auch experimentell“, sagt Mingda Li, außerordentlicher Professor für Nuklearwissenschaft und -technik und Hauptautor eines Artikels zu dieser Technik.
An der Studie sind neben Li die Co-Autoren Ryotaro Okabe, ein Chemiestudent, und Abhijatmedhi Chotrattanapituk, ein Scholar der Elektrotechnik und Informatik, sowie Tommi Jaakkola, Thomas Siebel Professor für Elektrotechnik und Informatik am MIT, sowie weitere am MIT, dem Argonne Nationwide Laboratory, der Harvard College, der College of South Carolina, der Emory College, der College of California in Santa Barbara und dem Oak Ridge Nationwide Laboratory beteiligt. Die Forschung erscheint in Natur Computerwissenschaften.
Phononen vorhersagen
Wärmetragende Phononen sind schwierig vorherzusagen, da sie einen extrem breiten Frequenzbereich haben und die Partikel interagieren und sich mit unterschiedlichen Geschwindigkeiten bewegen.
Die Phononendispersionsrelation eines Supplies ist die Beziehung zwischen Energie und Impuls von Phononen in seiner Kristallstruktur. Seit Jahren versuchen Forscher, Phononendispersionsrelationen mithilfe von maschinellem Lernen vorherzusagen, aber es sind so viele hochpräzise Berechnungen erforderlich, dass die Modelle ins Stocken geraten.
„Wenn man 100 CPUs und ein paar Wochen Zeit hätte, könnte man wahrscheinlich die Phononendispersionsrelation für ein Materials berechnen. Die ganze Neighborhood wünscht sich wirklich eine effizientere Methode dafür“, sagt Okabe.
Die maschinellen Lernmodelle, die Wissenschaftler häufig für diese Berechnungen verwenden, sind als Graph Neural Networks (GNN) bekannt. Ein GNN wandelt die Atomstruktur eines Supplies in einen Kristallgraphen um, der aus mehreren Knoten besteht, die Atome darstellen, die durch Kanten verbunden sind, die die interatomaren Bindungen zwischen Atomen darstellen.
Während GNNs sich intestine für die Berechnung vieler Größen eignen, wie etwa Magnetisierung oder elektrische Polarisation, sind sie nicht flexibel genug, um eine extrem hochdimensionale Größe wie die Phononendispersionsrelation effizient vorherzusagen. Da Phononen sich auf den X-, Y- und Z-Achsen um Atome bewegen können, ist ihr Impulsraum mit einer festen Graphenstruktur schwer zu modellieren.
Um die nötige Flexibilität zu erreichen, entwickelten Li und seine Mitarbeiter virtuelle Knoten.
Sie erstellen ein sogenanntes Digital Node Graph Neural Community (VGNN), indem sie der festen Kristallstruktur eine Reihe flexibler virtueller Knoten hinzufügen, um Phononen darzustellen. Die virtuellen Knoten ermöglichen es, die Größe der Ausgabe des neuronalen Netzwerks zu variieren, sodass es nicht durch die feste Kristallstruktur eingeschränkt wird.
Virtuelle Knoten sind so mit dem Graphen verbunden, dass sie nur Nachrichten von realen Knoten empfangen können. Virtuelle Knoten werden zwar aktualisiert, wenn das Modell während der Berechnung reale Knoten aktualisiert, sie haben jedoch keinen Einfluss auf die Genauigkeit des Modells.
„Die Artwork und Weise, wie wir das machen, ist sehr effizient beim Kodieren. Man generiert einfach ein paar weitere Knoten in seinem GNN. Der physische Standort spielt keine Rolle, und die realen Knoten wissen nicht einmal, dass die virtuellen Knoten da sind“, sagt Chotrattanapituk.
Komplexität reduzieren
Da es über virtuelle Knoten zur Darstellung von Phononen verfügt, kann das VGNN bei der Schätzung von Phononendispersionsbeziehungen viele komplexe Berechnungen überspringen, was die Methode effizienter macht als ein Customary-GNN.
Die Forscher schlugen drei verschiedene Versionen von VGNNs mit zunehmender Komplexität vor. Jede davon kann verwendet werden, um Phononen direkt aus den Atomkoordinaten eines Supplies vorherzusagen.
Da ihr Ansatz die Flexibilität bietet, hochdimensionale Eigenschaften schnell zu modellieren, können sie ihn zur Schätzung der Phononendispersionsbeziehungen in Legierungssystemen verwenden. Diese komplexen Kombinationen von Metallen und Nichtmetallen stellen für traditionelle Modellansätze eine besondere Herausforderung dar.
Die Forscher stellten außerdem fest, dass VGNNs bei der Vorhersage der Wärmekapazität eines Supplies eine etwas höhere Genauigkeit boten. In einigen Fällen waren die Vorhersagefehler mit ihrer Technik um zwei Größenordnungen geringer.
Mithilfe eines VGNN ließen sich mit einem PC in nur wenigen Sekunden Phononendispersionsbeziehungen für einige tausend Materialien berechnen, sagt Li.
Diese Effizienz könnte es Wissenschaftlern ermöglichen, einen größeren Raum abzusuchen, wenn sie nach Materialien mit bestimmten thermischen Eigenschaften suchen, wie etwa überlegener Wärmespeicherung, Energieumwandlung oder Supraleitung.
Darüber hinaus ist die virtuelle Knotentechnik nicht auf Phononen beschränkt und könnte auch zur Vorhersage anspruchsvoller optischer und magnetischer Eigenschaften verwendet werden.
In der Zukunft möchten die Forscher die Technik verfeinern, sodass virtuelle Knoten empfindlicher werden und kleine Änderungen erfassen, die die Phononenstruktur beeinflussen können.
„Forscher haben sich zu sehr darauf versteift, Graphknoten zur Darstellung von Atomen zu verwenden, aber das können wir überdenken. Graphknoten können alles Mögliche sein. Und virtuelle Knoten sind ein sehr allgemeiner Ansatz, mit dem man viele hochdimensionale Größen vorhersagen könnte“, sagt Li.
„Der progressive Ansatz der Autoren erweitert die Beschreibung von Festkörpern durch Graph-Neural-Networks erheblich, indem er wichtige physikalisch fundierte Elemente durch virtuelle Knoten einbezieht, beispielsweise wellenvektorabhängige Bandstrukturen und dynamische Matrizen“, sagt Olivier Delaire, außerordentlicher Professor am Thomas Lord Division of Mechanical Engineering and Supplies Science der Duke College, der nicht an dieser Arbeit beteiligt struggle. „Ich finde, dass die Beschleunigung bei der Vorhersage komplexer Phononeigenschaften erstaunlich ist, mehrere Größenordnungen schneller als ein hochmodernes universelles maschinelles Lernen interatomarer Potentiale. Beeindruckenderweise erfasst das fortschrittliche neuronale Netz feine Merkmale und gehorcht physikalischen Regeln. Es besteht großes Potenzial, das Modell zu erweitern, um andere wichtige Materialeigenschaften zu beschreiben: Elektronische, optische und magnetische Spektren und Bandstrukturen fallen mir ein.“
Diese Arbeit wird vom US-Energieministerium, der Nationwide Science Basis, einem Mathworks Fellowship, einem Sow-Hsin Chen Fellowship, der Harvard Quantum Initiative und dem Oak Ridge Nationwide Laboratory unterstützt.