（來源：MIT News）
據估計，全球大約 70% 的能源最終以廢熱的形式流失。
如果科學家能夠更精確地預測熱量如何在半導體和絕緣體中移動，他們就能設計出效率更高的電力生成系統。然而，材料的熱效能，特別是與一種稱為聲子（Phonons）的亞原子粒子相關的特性，其預測極為復雜。聲子攜帶熱能，而材料的某些熱特性取決於一種稱為聲子色散關系的測量方法，這種方法很難獲得，更不用說在系統設計中加以利用了。
為應對這一挑戰，麻省理工學院的研究者們及其合作者重新思考了整個問題。他們的成果是一種全新的機器學習框架，能夠以比其他人工智能技術快 1000 倍的速度預測聲子色散關系，同時保持同等甚至更高的精度。與傳統的非 AI 方法相比，這種新方法的速度提升可達 100 萬倍。
這項技術的相關論文的主要作者之一， 核科學與工程學副教授 Mingda Li 解釋說：「聲子是導致熱損失的罪魁禍首，然而無論是從計算上還是實驗上來獲取它們的性質都非常困難。」
參與這篇論文的還有共同第一作者 Ryotaro Okabe，一位化學研究生；以及Abhijatmedhi Chotrattanapituk，一位電氣工程和電腦科學的研究生；Tommi Jaakkola，麻省理工學院 Thomas Siebel 電氣工程與電腦科學教授；以及來自麻省理工學院、阿貢國家實驗室、哈佛大學、南卡羅來納大學、埃默裏大學、加州大學聖塔芭芭拉分校和橡樹嶺國家實驗室的其他研究者。這項研究發表在 Nature Computational Science 上。
（來源：Nature Computational Science）
預測聲子
載熱聲子的頻率範圍極廣，而且粒子相互作用和傳播的速度各不相同，因此很難預測。
聲子色散關系是指聲子在其晶體結構中的能量與動量之間的關系。多年來，研究人員一直在嘗試使用機器學習來預測聲子色散關系，但由於涉及大量的高精度計算，模型處理起來十分緩慢。
「如果你有 100 個 CPU 並花費幾周的時間，你可能能夠計算出一種材料的聲子色散關系。整個研究界確實需要一個更有效的方法來做這件事。」Okabe 說道。
科學家們通常使用的機器學習模型被稱為圖神經網絡（Graph Neural Networks, GNN）。GNN 將材料的原子結構轉換成由多個節點組成的晶格圖，這些節點代表原子，而邊則代表原子間的鍵合。
雖然 GNN 對於計算諸如磁化或電極化等許多物理量表現良好，但對於像聲子色散關系這樣極高維度的量來說，它們的靈活性不足。由於聲子可以在 X、Y 和 Z 軸上圍繞原子移動，它們的動量空間很難用固定圖結構來建模。
為了獲得所需的靈活性，Li 和他的合作者引入了虛擬節點的概念。
他們建立了一個稱為虛擬節點圖神經網絡（Virtual Node Graph Neural Network, VGNN），透過向固定的晶體結構添加一系列靈活的虛擬節點來表示聲子。虛擬節點使神經網絡的輸出大小可以變化，因此不受固定晶體結構的限制。
虛擬節點以一種特殊的方式連線到圖中，只接收來自真實節點的資訊。雖然在計算過程中隨著模型更新真實節點時，虛擬節點也會被更新，但它們不會影響模型的準確性。
「我們的做法在編碼上非常高效。你只需要在你的 GNN 中生成幾個額外的節點。物理位置並不重要，真實的節點甚至不知道虛擬節點的存在。」Chotrattanapituk 說。
削減復雜度
由於具有代表聲子的虛擬節點，VGNN 在估計聲子色散關系時可以跳過許多復雜的計算，這使得該方法比標準的 GNN 更高效。研究者提出了三個不同復雜度級別的 VGNN 版本，每種版本都可以直接從材料的原子座標預測聲子。
他們的方法具備快速模擬高維性質的靈活性，從而可以利用它來估算合金系統的聲子色散關系。而對於傳統方法而言，這些金屬和非金屬的復雜組合尤其難以建模。
研究者還發現，VGNN 在預測材料的熱容量方面提供了略微更高的精度。在某些情況下，預測誤差比使用他們的技術低兩個數量級。
Li 表示，VGNN 可以在幾秒鐘內用個人電腦計算出數千種材料的聲子色散關系。
這種效率可以使科學家在尋找具有特定熱效能（如卓越的熱儲存、能量轉換或超導性）的材料時，搜尋更大的空間。
此外，虛擬節點技術不僅僅局限於聲子，還可以用來預測光學和磁學等其他具有挑戰性的性質。
未來，研究者希望改進這一技術，使虛擬節點具有更高的敏感度，以捕捉可能影響聲子結構的細微變化。
「研究人員過去過於習慣於使用圖節點來表示原子，但我們應該重新思考這一點。圖節點可以是任何東西。虛擬節點是一種非常通用的方法，可以用來預測大量高維度的量。」Li 說。
杜克大學杜文·洛德機械工程與材料科學系的 Olivier Delaire 副教授盡管沒有參與這項工作，但他評論道：「作者創新的方法極大地增強了圖神經網絡對固體的描述，透過虛擬節點納入了關鍵的物理資訊元素，例如波向量依賴的能帶結構和動力學矩陣。我發現其在預測復雜的聲子內容方面的加速程度是驚人的，比最先進的通用機器學習原子間勢能快了幾個數量級。並且令人印象深刻的是，這種先進的神經網絡能夠捕捉到精細特征並遵循物理規律。該模型有很大的潛力擴充套件到描述其他重要的材料內容：電子、光學以及磁性譜和能帶結構都是可以考慮的方向。」
這項工作得到了美國能源部、國家科學基金會、Mathworks 獎學金、Sow-Hsin Chen 獎學金，哈佛量子倡議以及橡樹嶺國家實驗室的支持。
原文連結：
https://news.mit.edu/2024/ai-method-radically-speeds-predictions-materials-thermal-properties-0716
