Új Mesterséges Intelligencia Keretrendszer Gyorsítja a Hővezetési Modellalkotást
Az energiatermelés világszerte megtermelt energiájának körülbelül 70 százaléka hulladékhővé válik. Ha a tudósok jobban előre tudnák jelezni, hogy a hő hogyan mozog a félvezetőkön és szigetelőkön keresztül, hatékonyabb energiatermelő rendszereket tervezhetnének. Azonban az anyagok hővezetési tulajdonságait rendkívül nehéz modellezni.
A probléma a fononokból ered, amelyek hőt szállító szubatomi részecskék. Az anyag hővezetési tulajdonságai nagymértékben függenek a fonon diszperziós relációjától, amelyet rendkívül nehéz megszerezni és felhasználni egy rendszer tervezésében.
Az MIT és más intézmények kutatói új megközelítéssel oldották meg ezt a kihívást. Munkájuk eredménye egy új mesterséges intelligencia keretrendszer, amely akár 1,000-szer gyorsabban képes előre jelezni a fonon diszperziós relációkat, mint más AI-alapú technikák, hasonló vagy jobb pontossággal. A hagyományos, nem AI-alapú megközelítésekhez képest akár 1 milliószor gyorsabb lehet.
Ez a módszer segíthet a mérnököknek hatékonyabb energiatermelő rendszerek tervezésében. Emellett felhasználható lehet hatékonyabb mikroelektronikai eszközök fejlesztésében is, mivel a hőkezelés továbbra is jelentős akadály az elektronika felgyorsításában.
„A fononok a hőveszteség fő okozói, de tulajdonságaik megszerzése hírhedten nehéz, akár számítógépes, akár kísérleti úton,” mondja Mingda Li, az MIT nukleáris tudomány és mérnöki adjunktusa és a technikáról szóló tanulmány vezető szerzője.
Li mellett a tanulmány társszerzői Ryotaro Okabe vegyészmérnök hallgató; és Abhijatmedhi Chotrattanapituk, elektromos mérnöki és számítástechnikai hallgató; Tommi Jaakkola, az MIT elektromos mérnöki és számítástechnikai professzora; valamint mások az MIT-től, az Argonne Nemzeti Laboratóriumtól, a Harvard Egyetemtől, a Dél-Karolinai Egyetemtől, az Emory Egyetemtől, a Kaliforniai Egyetemtől Santa Barbarán és az Oak Ridge Nemzeti Laboratóriumtól. A kutatás eredményei a Nature Computational Science folyóiratban jelentek meg.
Fononok előrejelzése
A hőt szállító fononokat nehéz előrejelezni, mert rendkívül széles frekvenciatartománnyal rendelkeznek, és a részecskék különböző sebességgel mozognak.
Az anyag fonon diszperziós relációja az energia és a fononok kristályszerkezetében lévő impulzus közötti kapcsolat. Évek óta próbálják a kutatók előrejelezni a fonon diszperziós relációkat gépi tanulással, de annyi nagy pontosságú számítást igényelnek, hogy a modellek elakadnak.
„Ha van 100 CPU-d és néhány heted, valószínűleg kiszámíthatod egy anyag fonon diszperziós relációját. Az egész közösség valóban hatékonyabb módszert szeretne erre,” mondja Okabe.
A tudósok gyakran használnak grafikus neurális hálózatokat (GNN) ezekhez a számításokhoz. A GNN egy anyag atomstruktúráját kristálygrafikává alakítja, amely több csomópontból áll, amelyek atomokat képviselnek, és élekből, amelyek az atomok közötti kötéseket jelképezik.
Noha a GNN-ek jól működnek számos mennyiség, például a mágneses tér vagy az elektromos polarizáció kiszámításában, nem elég rugalmasak ahhoz, hogy hatékonyan előrejelezzék az extrém magas dimenziójú mennyiségeket, mint a fonon diszperziós reláció. Mivel a fononok az atomok körül az X, Y és Z tengelyeken mozognak, impulzus tere nehezen modellezhető egy fix grafikus szerkezettel.
A szükséges rugalmasság eléréséhez Li és munkatársai virtuális csomópontokat fejlesztettek ki.
Olyan virtuális csomópontú grafikus neurális hálózatot (VGNN) hoztak létre, amelyben rugalmas virtuális csomópontokat adtak a fix kristályszerkezethez a fononok képviseletére. A virtuális csomópontok lehetővé teszik a neurális hálózat kimenetének méretváltozását, így nem korlátozza a fix kristályszerkezet.
A virtuális csomópontok úgy kapcsolódnak a gráfhoz, hogy csak valós csomópontoktól fogadhatnak üzeneteket. Míg a virtuális csomópontokat frissíti a modell a valós csomópontok frissítése során, nem befolyásolják a modell pontosságát.
„Az, ahogyan ezt tesszük, nagyon hatékony a kódolásban. Csak néhány további csomópontot kell generálnod a GNN-edben. A fizikai hely nem számít, és a valós csomópontok nem is tudják, hogy ott vannak a virtuális csomópontok,” mondja Chotrattanapituk.
A komplexitás csökkentése
Mivel virtuális csomópontok képviselik a fononokat, a VGNN sok bonyolult számítást kihagyhat a fonon diszperziós relációk becslésekor, ami hatékonyabbá teszi a módszert, mint egy szokványos GNN.
A kutatók három különböző változatot javasoltak VGNN-ekből növekvő komplexitással. Mindegyik közvetlenül egy anyag atomkoordinátáiból képes előrejelezni a fononokat.
Mivel megközelítésük rugalmasan képes gyorsan modellezni nagy dimenziójú tulajdonságokat, felhasználhatják ötvözetrendszerek fonon diszperziós relációinak becslésére is. Ezek a fémek és nemfémek bonyolult kombinációi különösen nehezen modellezhetők hagyományos módszerekkel.
A kutatók azt is megállapították, hogy a VGNN-ek kicsit nagyobb pontosságot kínáltak az anyag hőkapacitásának előrejelzésekor. Bizonyos esetekben a predikciós hibák két nagyságrenddel kisebbek voltak technikájukkal.
Li szerint egy VGNN néhány ezer anyag fonon diszperziós relációját néhány másodperc alatt ki tudná számolni egy személyi számítógépen.
Ez a hatékonyság lehetővé teheti a tudósok számára, hogy nagyobb teret kutassanak, amikor bizonyos hőtulajdonságokkal rendelkező anyagokat keresnek, például kiváló hőtárolással, energiakonverzióval vagy szupravezetéssel.
Sőt, a virtuális csomóponti technika nem kizárólag fononokra vonatkozik, és felhasználható kihívást jelentő optikai és mágneses tulajdonságok előrejelzésére is.
A jövőben a kutatók azt szeretnék finomítani a technikát, hogy a virtuális csomópontok nagyobb érzékenységgel rendelkezzenek a fononszerkezetet befolyásoló apró változások rögzítésére.
„A kutatók túl kényelmesen használták a grafikus csomópontokat az atomok képviseletére, de ezt újragondolhatjuk. A grafikus csomópontok bármi lehetnek. És a virtuális csomópontok egy nagyon általános megközelítés, amelyet sok magas dimenziójú mennyiség előrejelzésére használhatnál,” mondja Li.
„A szerzők innovatív megközelítése jelentősen javítja a szilárd anyagok grafikus neurális hálózatainak leírását, kulcsfontosságú fizikai elemeket beépítve virtuális csomópontokon keresztül, például hullámvektor-függő sávstruktúrákat és dinamikai mátrixokat,” mondja Olivier Delaire, a Duke Egyetem Thomas Lord Gépészmérnöki és Anyagtudományi Tanszékének adjunktusa, aki nem vett részt ebben a munkában. „Úgy találom, hogy a komplex fonon tulajdonságok előrejelzésének gyorsulása lenyűgöző, több nagyságrenddel gyorsabb, mint egy korszerű univerzális gépi tanulási interatomikus potenciál. Lenyűgöző, hogy a fejlett neurális hálózat finom jellemzőket rögzít és betartja a fizikai szabályokat. Nagy potenciál rejlik a modell kiterjesztésében más fontos anyagtulajdonságok leírására: Elektronikus, optikai és mágneses spektrumok és sávstruktúrák jutnak eszembe.”
Ezt a munkát az Egyesült Államok Energiaügyi Minisztériuma, a Nemzeti Tudományos Alapítvány, a Mathworks Ösztöndíj, a Sow-Hsin Chen Ösztöndíj, a Harvard Kvantum Kezdeményezés és az Oak Ridge Nemzeti Laboratórium támogatta.
Érdekesség: A fononok előrejelzésének új módszere nemcsak gyorsabb, hanem pontosabb is lehet, mint a hagyományos módszerek, amivel forradalmasíthatja a hővezetési rendszerek tervezését.
Források: MIT, Argonne National Laboratory, Harvard University, University of South Carolina, Emory University, University of California at Santa Barbara, Oak Ridge National Laboratory, Nature Computational Science
