夏天太熱怎么辦？AI 為“降溫”材料發(fā)現(xiàn)提速數(shù)千倍，你的手機、電腦或許再也不發(fā)燙了

炎炎夏日，智能手機、平板電腦等電子設(shè)備常因“過熱”而產(chǎn)生性能、安全問題。如何設(shè)計出散熱更好的電子產(chǎn)品，材料是關(guān)鍵。

而其中的一個關(guān)鍵環(huán)節(jié)是：精確地預(yù)測材料的熱性能。

材料中運輸熱量的主要載流子是聲子，聲子在界面處的運輸散射機制決定了材料的導(dǎo)熱性能。因此，精確地對聲子散射關(guān)系進行建模，成為材料熱性能預(yù)測的關(guān)鍵。

如今，一種新型人工智能（AI）方法大大加快了材料熱性能的預(yù)測速度，相較傳統(tǒng)機器學(xué)習(xí)模型提升數(shù)百倍至千倍。

近日，來自麻省理工學(xué)院（MIT）的研究團隊及其合作者在這一領(lǐng)域取得了重要突破，他們設(shè)計了一種名為“虛擬節(jié)點圖神經(jīng)網(wǎng)絡(luò)”（Virtual Node Graph Neural Network，VGNN）的新型機器學(xué)習(xí)模型，只需在一臺個人電腦上，VGNN 只需幾秒鐘即可完成幾千種材料的聲子色散關(guān)系計算。

相關(guān)研究論文以“Virtual node graph neural network for full phonon prediction”為題，已發(fā)表在科學(xué)期刊 Nature Computational Science 上。

研究發(fā)現(xiàn)，VGNN 不僅在聲子預(yù)測上取得了成功，在預(yù)測電子能帶結(jié)構(gòu)、光學(xué)吸收峰和磁性等其他復(fù)雜材料性質(zhì)方面也表現(xiàn)出一定的潛力。

預(yù)測速度提升百倍、千倍

據(jù)估計，全球產(chǎn)生的能源中約有 70% 最終都變成了廢熱。

如果科學(xué)家能夠更好地預(yù)測熱量如何通過半導(dǎo)體和絕緣體，他們就能設(shè)計出更高效的發(fā)電系統(tǒng)。然而，材料的熱性能建模起來卻極其困難。

材料的熱性能受材料的微觀結(jié)構(gòu)、原子排列和化學(xué)鍵合等多種復(fù)雜因素的影響，其熱性能具有高度的非線性和多尺度特征。

材料熱特性能預(yù)測主要取決于對聲子散射關(guān)系的測量，傳統(tǒng)的實驗測量和理論計算方法對實驗設(shè)備和操作要求高、耗時長、成本高，難以滿足快速預(yù)測和大規(guī)模篩選的需求。

利用機器學(xué)習(xí)進行材料性能預(yù)測時，受實驗測量、計算建模等因素影響，聲子散射關(guān)系的測量和建模過程異常復(fù)雜，目前還難以準確預(yù)測。

在這項工作中，VGNN 通過引入虛擬節(jié)點可以處理可變甚至任意維度的輸出特性，從而實現(xiàn)直接從復(fù)雜材料中的原子結(jié)構(gòu)中計算區(qū)域中心聲子能量和全聲子帶結(jié)構(gòu)，并在更大的結(jié)構(gòu)設(shè)計空間中實現(xiàn)聲子屬性優(yōu)化。

圖｜VGNN 方法作為增強圖神經(jīng)網(wǎng)絡(luò)通用方法的概況

具體而言，研究團隊提出了三種不同的虛擬節(jié)點增強方案，分別是向量虛擬節(jié)點（VVN）、矩陣虛擬節(jié)點（MVN）和動量相關(guān)矩陣虛擬節(jié)點（k-MVN）。

VVN 方案直接從虛擬節(jié)點獲取聲子頻譜，但信息傳遞上存在瓶頸；MVN 方案通過構(gòu)建虛擬動力矩陣預(yù)測聲子能量，可以魯棒地預(yù)測復(fù)雜材料熱性能；k-MVN 方案利用單元格平移生成動量依賴性，獲得完整的聲子帶結(jié)構(gòu)。

結(jié)果顯示，這些方法均成功地預(yù)測了復(fù)雜材料中的聲子散射關(guān)系。

為了測試 VGNN 模型的性能，研究團隊設(shè)計了一系列實驗，使用 8 個 GPU 在不到 5 小時內(nèi)生成了 14.6 萬多個預(yù)測結(jié)果，涉及到單個晶胞中多達 400 個原子的材料。

當前，MLIP 是機器學(xué)習(xí)領(lǐng)域進行聲子預(yù)測的主要方法，因此研究人員在實驗中對比了 VGNN 與 MLIP 在準確性和效率方面的表現(xiàn)。

圖｜VGNN 和 MLIP 的計算時間運行時間比較

實驗結(jié)果顯示，VGNN 系統(tǒng)性地將預(yù)測聲子擴散關(guān)系的速度提升了數(shù)百倍至千倍。研究人員表示，VGNN 運用直接推斷動力學(xué)矩陣元素的獨特方法，繞過了 MLIP 計算過程中采用的計算力、原子間勢的二階導(dǎo)數(shù)和傅里葉變換等步驟，顯著提升了預(yù)測效率。

此外，VGNN 模型不僅在復(fù)雜材料性能預(yù)測的精度上超過了傳統(tǒng)的 GNN 方法，還顯著提升了計算效率，三種模型在預(yù)測熱容量方面都表現(xiàn)出強勁的性能，并且 k-MVN 模型誤差最小。

研究團隊還指出，通過采用基于物理模型的虛擬節(jié)點添加方案，模型在處理復(fù)雜材料時的外推能力得到了顯著提升。

圖｜k-MVN 預(yù)測全聲子帶結(jié)構(gòu)

MVN 和 k-MVN 方案在具有數(shù)百個原子單位胞的復(fù)雜材料中表現(xiàn)出了出色的泛化能力，這也表明在設(shè)計虛擬節(jié)點添加方案時，仔細考慮問題的物理學(xué)基礎(chǔ)可以增強模型的外推能力。

研究顯示，盡管一般聲子帶結(jié)構(gòu)較為復(fù)雜，但 k-MVN 模型仍能預(yù)測聲子帶的位置和形狀，如不同光學(xué)分支之間的間隙。

研究團隊還使用虛擬節(jié)點 GNN 計算了高熵合金的聲子性質(zhì)，并為十多萬種材料建立了聲子散射數(shù)據(jù)庫。這一突破不僅顯著提高了聲子預(yù)測的效率和準確性，還為未來的材料設(shè)計和優(yōu)化提供了強大的工具。

不足與展望

盡管 VGNN 模型在材料熱性能預(yù)測方面展現(xiàn)出了巨大的潛力，但研究團隊也表示，在預(yù)測電子能帶結(jié)構(gòu)時，k-MVN 模型還難以捕捉長程相互作用的影響。

為解決這些問題，研究團隊計劃通過優(yōu)化虛擬節(jié)點的設(shè)計和增加訓(xùn)練數(shù)據(jù)集的多樣性來進一步提升模型性能。

未來，VGNN 方法有望應(yīng)用于更廣泛的材料預(yù)測領(lǐng)域，包括合金、界面和非晶態(tài)固體材料的優(yōu)化設(shè)計。而且，這一技術(shù)不僅有助于加速新材料的發(fā)現(xiàn)和應(yīng)用，還將推動能源轉(zhuǎn)換、熱能存儲和超導(dǎo)材料等高科技領(lǐng)域的發(fā)展。