据估计，全球产生的能源中约有70%最终成为废热。
如果科学家能更好地预测热量如何通过半导体和绝缘体传递，他们就能设计出更高效的发电系统。然而，材料的热特性非常难以建模。
麻烦来自声子，它是一种携带热量的亚原子粒子。一些材料的热性能取决于一种叫做声子色散关系的测量，这种测量很难获得，更不用说在系统设计中使用了。
来自麻省理工学院和其他地方的一组研究人员通过从头开始重新思考这个问题来解决这个挑战。他们的工作成果是一个新的机器学习框架，可以预测声子色散关系，速度比其他基于人工智能的技术快1000倍，精度相当甚至更高。与更传统的、非人工智能的方法相比，它可以快100万倍。
这种方法可以帮助工程师设计出能产生更多能量、更高效的发电系统。它还可以用于开发更高效的微电子，因为热管理仍然是加速电子产品的主要瓶颈。
“声子是热损失的罪魁祸首，然而，无论是在计算上还是在实验上，获得声子的性质都是出了名的具有挑战性，”核科学与工程副教授、一篇关于这种技术的论文的资深作者李明达说。
与Li一起发表论文的还有化学研究生Ryotaro Okabe;电气工程和计算机科学研究生Abhijatmedhi Chotrattanapituk;Tommi Jaakkola，麻省理工学院电气工程和计算机科学托马斯·希贝尔教授;以及麻省理工学院、阿贡国家实验室、哈佛大学、南卡罗来纳大学、埃默里大学、加州大学圣巴巴拉分校和橡树岭国家实验室的其他研究人员。这项研究发表在《自然计算科学》杂志上。
预测声子
携带热量的声子很难预测，因为它们的频率范围非常宽，而且粒子相互作用并以不同的速度传播。
材料的声子色散关系是其晶体结构中声子的能量与动量的关系。多年来，研究人员一直试图使用机器学习来预测声子色散关系，但涉及到的高精度计算太多，导致模型陷入困境。
“如果你有100个cpu和几个星期，你可能可以计算出一种材料的声子色散关系。整个社区都想要一种更有效的方式来做到这一点，”Okabe说。
科学家们经常用于这些计算的机器学习模型被称为图神经网络(GNN)。GNN将材料的原子结构转换成由多个节点组成的晶体图，这些节点代表原子，由边缘连接，代表原子之间的原子间键合。
虽然gnn可以很好地计算许多量，如磁化或电极化，但它们不够灵活，无法有效地预测声子色散关系等极高维度的量。因为声子可以在X、Y和Z轴上绕原子运动，所以它们的动量空间很难用固定的图结构来建模。
为了获得所需的灵活性，李和他的合作者设计了虚拟节点。
他们通过在固定晶体结构中添加一系列灵活的虚拟节点来代表声子，创造了他们所谓的虚拟节点图神经网络(VGNN)。虚拟节点使神经网络的输出大小可以变化，因此不受固定晶体结构的限制。
虚拟节点以这样一种方式连接到图，即它们只能从真实节点接收消息。在计算过程中，虚拟节点会随着模型对真实节点的更新而更新，但不影响模型的准确性。
“我们这样做的方式是非常有效的编码。你只需要在GNN中生成更多的节点。物理位置并不重要，真实节点甚至不知道虚拟节点在那里，”Chotrattanapituk说。
减少复杂性
由于VGNN具有虚拟节点来表示声子，因此在估计声子色散关系时可以跳过许多复杂的计算，这使得该方法比标准GNN更有效。
研究人员提出了三种不同版本的vgnn，其复杂性越来越高。每一个都可以用来直接从材料的原子坐标预测声子。
由于他们的方法具有快速模拟高维性质的灵活性，他们可以用它来估计合金系统中的声子色散关系。这些金属和非金属的复杂组合对传统的建模方法尤其具有挑战性。
研究人员还发现，在预测材料的热容量时，vgnn的准确性略高。在某些情况下，使用他们的技术，预测误差降低了两个数量级。
李说，VGNN可以用个人电脑在几秒钟内计算几千种材料的声子色散关系。
这种效率可以使科学家在寻找具有某些热性能的材料时，如卓越的热储存，能量转换或超导性，可以搜索更大的空间。
此外，虚拟节点技术并不仅限于声子，也可以用于预测具有挑战性的光学和磁性。
在未来，研究人员希望改进这项技术，使虚拟节点具有更大的灵敏度来捕捉可能影响声子结构的微小变化。
“研究人员习惯于使用图节点来表示原子，但我们可以重新考虑。图节点可以是任何东西。而虚拟节点是一种非常通用的方法，你可以用它来预测很多高维量。”
杜克大学Thomas Lord机械工程与材料科学系副教授Olivier Delaire没有参与这项工作，他说:“作者的创新方法通过虚拟节点结合关键的物理信息元素，例如，通知波矢量相关的带结构和动态矩阵，显著增强了图形神经网络对固体的描述。”“我发现预测复杂声子特性的加速水平是惊人的，比最先进的通用机器学习原子间势快几个数量级。令人印象深刻的是，先进的神经网络捕捉到精细的特征，并遵守物理规则。扩展模型来描述其他重要的材料特性有很大的潜力:电子、光学、磁性光谱和能带结构浮现在脑海中。”
这项工作得到了美国能源部、国家科学基金会、Mathworks奖学金、Chen Sow-Hsin奖学金、哈佛量子计划和橡树岭国家实验室的支持。
