据估计，全球约70％的能量最终变成了废热。
如果科学家能够更好地预测热量在半导体和绝缘体中的传播方式，他们就可以设计更高效的发电系统。然而，材料的热性质往往很难建模。
问题出在声子上，声子是携带热量的亚原子粒子。材料的一些热性质取决于称为声子色散关系的测量，这个测量非常难以获得，更不用说在系统设计中利用了。
麻省理工学院和其他地方的研究人员通过重新思考这个问题来应对这个挑战。他们的工作成果是一个新的机器学习框架，可以比其他基于人工智能的技术快1000倍地预测声子色散关系，而且准确度相当甚至更好。与传统的非人工智能方法相比，它可能快100万倍。
这种方法可以帮助工程师设计出更高效的能源发电系统。它还可以用于开发更高效的微电子器件，因为热量管理仍然是加速电子器件的一个主要瓶颈。
“声子是热损失的罪魁祸首，但是获得它们的性质非常具有挑战性，无论是计算上还是实验上，”这项技术的论文的高级作者、核科学与工程副教授Mingda Li说。
论文的合著者包括化学研究生Ryotaro Okabe和电气工程与计算机科学研究生Abhijatmedhi Chotrattanapituk，麻省理工学院电气工程与计算机科学的Thomas Siebel教授Tommi Jaakkola，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、加利福尼亚大学圣塔芭芭拉分校和奥克里奇国家实验室的其他人。这项研究发表在《自然计算科学》上。
预测声子
携带热量的声子很难预测，因为它们具有极宽的频率范围，粒子之间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能量和动量之间的关系。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，但是由于涉及到许多高精度计算，模型往往变得非常复杂。
“如果你有100个CPU和几个星期的时间，你可能可以计算出一个材料的声子色散关系。整个社区真的希望有一种更高效的方法来做这个，”Okabe说。
科学家通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化为由多个节点组成的晶体图，其中节点代表原子，边代表原子之间的相互结合。
虽然GNN在计算许多量（如磁化或电极化）方面表现良好，但它们对于高维度的量（如声子色散关系）的预测效果不够灵活。由于声子可以在X、Y和Z轴上围绕原子移动，它们的动量空间很难用固定的图结构建模。
为了获得所需的灵活性，Li和他的合作者设计了虚拟节点。
他们通过在固定的晶体结构中添加一系列灵活的虚拟节点来创建所谓的虚拟节点图神经网络（VGNN），以表示声子。虚拟节点使得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。
虚拟节点与图中的节点连接在一起，只能从真实节点接收消息。虚拟节点在计算过程中会随着模型更新真实节点而更新，但不会影响模型的准确性。
“我们的方法在编码上非常高效。你只需要在你的GNN中生成一些额外的节点。物理位置并不重要，真实节点甚至不知道虚拟节点的存在，”Chotrattanapituk说。
简化复杂性
由于具有表示声子的虚拟节点，VGNN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的GNN更高效。
研究人员提出了三种不同版本的VGNN，复杂度逐渐增加。每个版本都可以用于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建模高维度性质的灵活性，他们可以用它来估计合金系统中的声子色散关系。这些由金属和非金属组成的复杂组合对于传统方法来说尤其具有挑战性。
研究人员还发现，VGNN在预测材料的热容时提供了稍微更高的准确性。在某些情况下，他们的技术的预测误差比传统方法低两个数量级。
Li表示，使用个人电脑，VGNN可以在几秒钟内计算出几千种材料的声子色散关系。
这种高效性可以使科学家在寻找具有特定热性质的材料时搜索更大的空间，例如优越的热储存、能量转换或超导性。
此外，虚拟节点技术不仅适用于声子，还可以用于预测具有挑战性的光学和磁性性质。
未来，研究人员希望改进这种技术，使虚拟节点对捕捉可能影响声子结构的微小变化更加敏感。
“作者的创新方法通过虚拟节点显著增强了固体的图神经网络描述，通过虚拟节点融入了关键的物理信息元素，例如波矢相关的能带结构和动力学矩阵，”杜克大学机械工程与材料科学系Thomas Lord教授Olivier Delaire说，他与这项工作无关。“我发现这种预测复杂声子性质的加速水平令人惊叹，比最先进的通用机器学习原子间势能快几个数量级。令人印象深刻的是，这种先进的神经网络能够捕捉到细微的特征并遵守物理规律。这个模型有很大的潜力来描述其他重要的材料性质：电子、光学和磁性光谱和能带结构等。”
这项工作得到了美国能源部、国家科学基金会、Mathworks奖学金、Sow-Hsin Chen奖学金、哈佛量子计划和奥克里奇国家实验室的支持。
