Вы знали, что 70% всей энергии, производимой в мире, просто уходит в тепло? Ученые давно ломают голову над тем, как лучше предсказать движение тепла в материалах. Это помогло бы создавать более эффективные системы генерации энергии. Но есть одна загвоздка - фононы, субатомные квазичастицы, переносящие тепло. Они такие непоседы, что их поведение очень сложно моделировать.
Но команда исследователей из MIT и других институтов нашла оригинальное решение. Они создали новую систему машинного обучения, которая может предсказывать дисперсионные соотношения фононов до 1000 раз быстрее других методов на основе AI, и при этом не уступает им в точности. А если сравнивать с традиционными подходами без AI, то она может быть быстрее в миллион раз! Представляете, как это может ускорить разработку новых материалов?
В чем же секрет? Исследователи придумали использовать "виртуальные узлы" в графовых нейронных сетях (GNN). Обычно GNN представляют атомную структуру материала в виде графа, где узлы - это атомы, а ребра - связи между ними. Но для предсказания поведения фононов этого недостаточно. Поэтому ученые добавили в модель гибкие виртуальные узлы, представляющие фононы. Это позволило сделать выход нейросети более гибким и не ограниченным фиксированной кристаллической структурой.
Результаты впечатляют: новый метод может рассчитать дисперсионные соотношения фононов для нескольких тысяч материалов всего за несколько секунд на обычном персональном компьютере. Это открывает огромные возможности для поиска материалов с нужными тепловыми свойствами, например, для лучшего хранения тепла, преобразования энергии или сверхпроводимости.
Но самое интересное, что этот метод можно применять не только к фононам. Он может помочь в предсказании сложных оптических и магнитных свойств материалов. Исследователи планируют дальше совершенствовать технику, чтобы виртуальные узлы могли лучше улавливать мелкие изменения, влияющие на структуру фононов.
Профессор Оливье Делер из Университета Дьюка, не участвовавший в исследовании, отмечает: "Уровень ускорения в предсказании сложных свойств фононов просто поразителен. Это на несколько порядков быстрее, чем современные универсальные потенциалы межатомного взаимодействия на основе машинного обучения. Впечатляет, что продвинутая нейросеть улавливает тонкие особенности и подчиняется физическим законам".
Представьте, как это может изменить мир электроники и энергетики. Мы сможем создавать более эффективные микросхемы, где управление теплом больше не будет узким местом. Или разрабатывать системы генерации энергии, которые производят больше мощности с меньшими потерями.
Эта работа показывает, как переосмысление основ может привести к прорывным решениям. Ученые вышли за рамки привычного представления о том, что узлы графа должны обязательно представлять атомы. Они показали, что узлы могут быть чем угодно, открыв новые горизонты для предсказания сложных свойств материалов.
Источник:
DOI: 10.1038/s43588-024-00661-0
-------------------------------------
Поддержите наш проект: подпишитесь на канал, поставьте лайк или напишите комментарий, а также подписывайтесь на наши страницы на других площадках, в том числе на сервисе поддержки авторов Бусти. Ссылки найдёте в описании канала. Заранее спасибо!
