AI za predviđanje toplinskih svojstava materijala

Procjenjuje se da oko 70 posto energije proizvedene diljem svijeta završi kao otpadna toplina.

Kada bi znanstvenici mogli bolje predvidjeti kako se toplina kreće kroz poluvodiče i izolatore, mogli bi dizajnirati učinkovitije sustave za proizvodnju električne energije. Međutim, toplinska svojstva materijala može biti iznimno teško modelirati.

Problem dolazi od fonona, subatomskih čestica koje prenose toplinu. Neka toplinska svojstva materijala ovise o mjerenju koje se naziva odnos disperzije fonona, što može biti nevjerojatno teško dobiti i koristiti u dizajnu sustava.

Tim istraživača s američkog Instituta tehnologije u Massachussetsu MIT-a, uhvatio se u koštac s ovim izazovom promišljajući problem iz temelja. Rezultat njihova rada novi je okvir strojnog učenja koji može predvidjeti odnose disperzije fonona do 1000 puta brže od drugih tehnika temeljenih na umjetnoj inteligenciji, s usporedivom ili čak boljom točnošću. U usporedbi s tradicionalnijim pristupima koji se ne temelje na umjetnoj inteligenciji, mogao bi biti milijun puta brži.

Ova bi metoda mogla pomoći inženjerima u dizajniranju sustava za proizvodnju energije koji učinkovitije proizvode više energije. Također bi se mogla koristiti za razvoj učinkovitije mikroelektronike, budući da upravljanje toplinom ostaje glavno usko grlo za ubrzavanje elektronike.

Kako bi dobili potrebnu fleksibilnost, znanstvenici su osmislili virtualne čvorove. Oni stvaraju ono što nazivaju neuronska mreža grafikona virtualnih čvorova (VGNN), dodavanjem niza fleksibilnih virtualnih čvorova fiksnoj kristalnoj strukturi da predstavljaju fonone. Virtualni čvorovi omogućuju da izlaz neuronske mreže varira u veličini, tako da nije ograničen fiksnom kristalnom strukturom.

Virtualni čvorovi povezani su s grafom na takav način da mogu primati poruke samo od stvarnih čvorova. Iako će se virtualni čvorovi ažurirati kao što model ažurira stvarne čvorove tijekom izračuna, oni ne utječu na točnost modela.

Budući da ima virtualne čvorove za predstavljanje fonona, VGNN može preskočiti mnoge složene izračune pri procjeni odnosa disperzije fonona, što metodu čini učinkovitijom od standardne GNN.

Istraživači su predložili tri različite verzije VGNN-a s rastućom složenošću. Svaki se može koristiti za predviđanje fonona izravno iz atomskih koordinata materijala.

Budući da njihov pristup ima fleksibilnost za brzo modeliranje visokodimenzionalnih svojstava, mogu ga koristiti za procjenu odnosa disperzije fonona u sustavima legura. Ove složene kombinacije metala i nemetala posebno su izazovne za tradicionalne pristupe modeliranju.

Istraživači su također otkrili da VGNN nudi nešto veću točnost kada se predviđa toplinski kapacitet materijala. U nekim su slučajevima pogreške predviđanja bile dva reda veličine niže s njihovom tehnikom.

VGNN bi se mogao koristiti za izračunavanje odnosa disperzije fonona za nekoliko tisuća materijala u samo nekoliko sekundi s osobnim računalom.

Ova bi učinkovitost mogla omogućiti znanstvenicima da pretražuju veći prostor kada traže materijale s određenim toplinskim svojstvima, kao što je superiorno skladištenje topline, pretvorba energije ili supravodljivost.

Štoviše, tehnika virtualnog čvora nije ekskluzivna za fonone, a također se može koristiti za predviđanje izazovnih optičkih i magnetskih svojstava.

U budućnosti, istraživači žele poboljšati tehniku ​​tako da virtualni čvorovi imaju veću osjetljivost za hvatanje malih promjena koje mogu utjecati na strukturu fonona.

Znanstveni rad objavljen u časopisu Nature Computational Science možete pronaći na ovoj poveznici.