[ad_1]
Người ta ước tính rằng khoảng 70 phần trăm năng lượng được tạo ra trên toàn thế giới cuối cùng trở thành nhiệt thải.
Nếu các nhà khoa học có thể dự đoán tốt hơn cách nhiệt di chuyển qua chất bán dẫn và chất cách điện, họ có thể thiết kế các hệ thống phát điện hiệu quả hơn. Tuy nhiên, các đặc tính nhiệt của vật liệu có thể cực kỳ khó mô hình hóa.
Rắc rối xuất phát từ phonon, là các hạt hạ nguyên tử mang nhiệt. Một số tính chất nhiệt của vật liệu phụ thuộc vào phép đo được gọi là mối quan hệ phân tán phonon, có thể cực kỳ khó để có được, chưa nói đến việc sử dụng trong thiết kế hệ thống.
Một nhóm các nhà nghiên cứu từ MIT và những nơi khác đã giải quyết thách thức này bằng cách suy nghĩ lại vấn đề từ đầu. Kết quả công trình của họ là một khuôn khổ học máy mới có thể dự đoán mối quan hệ phân tán phonon nhanh hơn tới 1.000 lần so với các kỹ thuật dựa trên AI khác, với độ chính xác tương đương hoặc thậm chí tốt hơn. So với các phương pháp truyền thống hơn, không dựa trên AI, nó có thể nhanh hơn 1 triệu lần.
Phương pháp này có thể giúp các kỹ sư thiết kế hệ thống tạo năng lượng sản xuất nhiều điện năng hơn, hiệu quả hơn. Nó cũng có thể được sử dụng để phát triển vi điện tử hiệu quả hơn, vì quản lý nhiệt vẫn là một nút thắt lớn đối với việc tăng tốc điện tử.
Mingda Li, phó giáo sư khoa học và kỹ thuật hạt nhân kiêm tác giả chính của một bài báo về kỹ thuật này, cho biết: “Phonon là thủ phạm gây ra sự mất nhiệt, nhưng việc thu được các đặc tính của chúng lại là một thách thức to lớn, dù là về mặt tính toán hay thực nghiệm”.
Li tham gia vào bài báo này cùng với các đồng tác giả chính Ryotaro Okabe, một sinh viên tốt nghiệp ngành hóa học; và Abhijatmedhi Chotrattanapituk, một sinh viên tốt nghiệp ngành kỹ thuật điện và khoa học máy tính; Tommi Jaakkola, Giáo sư Thomas Siebel về Kỹ thuật điện và Khoa học máy tính tại MIT; cũng như những người khác tại MIT, Phòng thí nghiệm quốc gia Argonne, Đại học Harvard, Đại học Nam Carolina, Đại học Emory, Đại học California tại Santa Barbara và Phòng thí nghiệm quốc gia Oak Ridge. Nghiên cứu xuất hiện trong Khoa học tính toán tự nhiên.
Dự đoán phonon
Rất khó để dự đoán các phonon dẫn nhiệt vì chúng có dải tần số cực kỳ rộng và các hạt tương tác và di chuyển với tốc độ khác nhau.
Mối quan hệ phân tán phonon của vật liệu là mối quan hệ giữa năng lượng và động lượng của phonon trong cấu trúc tinh thể của nó. Trong nhiều năm, các nhà nghiên cứu đã cố gắng dự đoán mối quan hệ phân tán phonon bằng cách sử dụng máy học, nhưng có quá nhiều phép tính có độ chính xác cao liên quan khiến các mô hình bị sa lầy.
“Nếu bạn có 100 CPU và vài tuần, bạn có thể tính toán được mối quan hệ phân tán phonon cho một vật liệu. Toàn bộ cộng đồng thực sự muốn có một cách hiệu quả hơn để thực hiện việc này”, Okabe nói.
Các mô hình học máy mà các nhà khoa học thường sử dụng cho các phép tính này được gọi là mạng nơ-ron đồ thị (GNN). GNN chuyển đổi cấu trúc nguyên tử của vật liệu thành đồ thị tinh thể bao gồm nhiều nút, biểu diễn các nguyên tử, được kết nối bằng các cạnh, biểu diễn liên kết giữa các nguyên tử.
Trong khi GNN hoạt động tốt để tính toán nhiều đại lượng, như từ hóa hoặc phân cực điện, chúng không đủ linh hoạt để dự đoán hiệu quả một đại lượng có chiều cực cao như mối quan hệ phân tán phonon. Vì phonon có thể di chuyển xung quanh các nguyên tử trên các trục X, Y và Z, nên không gian động lượng của chúng khó có thể mô hình hóa bằng cấu trúc đồ thị cố định.
Để có được sự linh hoạt cần thiết, Li và cộng sự đã thiết kế ra các nút ảo.
Họ tạo ra cái mà họ gọi là mạng nơ-ron đồ thị nút ảo (VGNN) bằng cách thêm một loạt các nút ảo linh hoạt vào cấu trúc tinh thể cố định để biểu diễn phonon. Các nút ảo cho phép đầu ra của mạng nơ-ron thay đổi kích thước, do đó không bị hạn chế bởi cấu trúc tinh thể cố định.
Các nút ảo được kết nối với đồ thị theo cách mà chúng chỉ có thể nhận được tin nhắn từ các nút thực. Mặc dù các nút ảo sẽ được cập nhật khi mô hình cập nhật các nút thực trong quá trình tính toán, nhưng chúng không ảnh hưởng đến độ chính xác của mô hình.
“Cách chúng tôi thực hiện điều này rất hiệu quả trong mã hóa. Bạn chỉ cần tạo thêm một vài nút trong GNN của mình. Vị trí vật lý không quan trọng và các nút thực thậm chí không biết các nút ảo ở đó”, Chotrattanapituk nói.
Cắt bỏ sự phức tạp
Vì có các nút ảo để biểu diễn phonon nên VGNN có thể bỏ qua nhiều phép tính phức tạp khi ước tính mối quan hệ phân tán phonon, giúp phương pháp này hiệu quả hơn so với GNN tiêu chuẩn.
Các nhà nghiên cứu đề xuất ba phiên bản khác nhau của VGNN với độ phức tạp tăng dần. Mỗi phiên bản có thể được sử dụng để dự đoán phonon trực tiếp từ tọa độ nguyên tử của vật liệu.
Vì cách tiếp cận của họ có tính linh hoạt để mô hình hóa nhanh các đặc tính đa chiều, họ có thể sử dụng nó để ước tính mối quan hệ phân tán phonon trong các hệ hợp kim. Những kết hợp phức tạp giữa kim loại và phi kim này đặc biệt khó khăn đối với các cách tiếp cận truyền thống để mô hình hóa.
Các nhà nghiên cứu cũng phát hiện ra rằng VGNN cung cấp độ chính xác cao hơn một chút khi dự đoán nhiệt dung của vật liệu. Trong một số trường hợp, lỗi dự đoán thấp hơn hai bậc độ lớn với kỹ thuật của họ.
Li cho biết VGNN có thể được sử dụng để tính toán mối quan hệ phân tán phonon cho vài nghìn vật liệu chỉ trong vài giây bằng máy tính cá nhân.
Hiệu quả này có thể cho phép các nhà khoa học tìm kiếm trong không gian rộng lớn hơn khi tìm kiếm các vật liệu có một số tính chất nhiệt nhất định, chẳng hạn như khả năng lưu trữ nhiệt vượt trội, chuyển đổi năng lượng hoặc siêu dẫn.
Hơn nữa, kỹ thuật nút ảo không chỉ dành riêng cho phonon mà còn có thể được sử dụng để dự đoán các tính chất quang học và từ tính đầy thách thức.
Trong tương lai, các nhà nghiên cứu muốn cải tiến kỹ thuật để các nút ảo có độ nhạy cao hơn nhằm nắm bắt những thay đổi nhỏ có thể ảnh hưởng đến cấu trúc phonon.
“Các nhà nghiên cứu đã quá thoải mái khi sử dụng các nút đồ thị để biểu diễn các nguyên tử, nhưng chúng ta có thể suy nghĩ lại về điều đó. Các nút đồ thị có thể là bất cứ thứ gì. Và các nút ảo là một cách tiếp cận rất chung chung mà bạn có thể sử dụng để dự đoán nhiều số lượng có chiều cao”, Li nói.
Olivier Delaire, phó giáo sư tại Khoa Kỹ thuật Cơ khí và Khoa học Vật liệu Thomas Lord tại Đại học Duke, người không tham gia vào công trình này, cho biết: “Cách tiếp cận sáng tạo của các tác giả đã tăng cường đáng kể mô tả mạng nơ-ron đồ thị của chất rắn bằng cách kết hợp các yếu tố vật lý quan trọng thông qua các nút ảo, ví dụ, thông báo cho các cấu trúc dải phụ thuộc vào vectơ sóng và ma trận động”. “Tôi thấy rằng mức độ tăng tốc trong việc dự đoán các đặc tính phonon phức tạp là đáng kinh ngạc, nhanh hơn nhiều cấp độ so với tiềm năng liên nguyên tử học máy phổ quát hiện đại. Thật ấn tượng, mạng nơ-ron tiên tiến nắm bắt được các đặc điểm tinh tế và tuân theo các quy tắc vật lý. Có tiềm năng lớn để mở rộng mô hình để mô tả các đặc tính vật liệu quan trọng khác: Phổ điện tử, quang học và từ tính và các cấu trúc dải hiện ra trong đầu tôi”.
Công trình này được hỗ trợ bởi Bộ Năng lượng Hoa Kỳ, Quỹ Khoa học Quốc gia, Học bổng Mathworks, Học bổng Sow-Hsin Chen, Sáng kiến Lượng tử Harvard và Phòng thí nghiệm Quốc gia Oak Ridge.
[ad_2]
Source link