Se estima que alrededor del 70% de la energía producida en todo el mundo acaba como calor residual.
Si los científicos pueden comprender mejor cómo se conduce el calor a través de semiconductores y aislantes, podrán diseñar sistemas de generación de energía más eficientes. Sin embargo, modelar las propiedades térmicas de los materiales puede resultar muy difícil.
El problema proviene de los fonones, que son partículas subatómicas que transportan calor. Algunas de las propiedades térmicas de un material dependen de una medida llamada relación de dispersión de fonones, que puede ser increíblemente difícil de obtener, y mucho menos de utilizar en el diseño de sistemas.
Un equipo de investigadores del MIT y de otros lugares aceptó este desafío y replanteó el problema. El resultado de su trabajo es un nuevo marco de aprendizaje automático que puede predecir las relaciones de dispersión de fonones 1.000 veces más rápido que otras técnicas basadas en inteligencia artificial, con una precisión comparable o incluso mejor. En comparación con métodos más tradicionales, no basados en IA, puede ser hasta un millón de veces más rápido.
Este método puede ayudar a los ingenieros a diseñar sistemas de generación de energía que produzcan más energía y de manera más eficiente. También se puede utilizar para desarrollar microelectrónica más eficiente, ya que la gestión térmica es una barrera importante para acelerar la electrónica.
“Los fonones son los culpables del daño térmico, pero sus propiedades son bastante difíciles de capturar, ya sea computacional o experimentalmente”, dice Mingda Li, profesora asociada de ciencia e ingeniería nucleares y autora principal de un artículo sobre esta técnica.
A Lee se une en el artículo el estudiante graduado en química Ryotaro Okabe como coautores principales. y el estudiante de posgrado en ingeniería eléctrica e informática, Abhijatmedidhi Chaturtanapatok; Tommy Jakola, profesor Thomas Seibel de Ingeniería Eléctrica e Informática en el MIT; También en el MIT, el Laboratorio Nacional Argonne, la Universidad de Harvard, la Universidad de Carolina del Sur, la Universidad Emory, la Universidad de California en Santa Bárbara y el Laboratorio Nacional Oak Ridge, entre otros. Aparece en la investigación. Ciencia Computacional de la Naturaleza.
Predecir teléfonos
Los fonones portadores de calor son difíciles de predecir porque su rango de frecuencia es muy amplio y las partículas interactúan y viajan a diferentes velocidades.
La relación de dispersión de fonones de un material es la relación entre la energía y la velocidad de los fonones en su estructura cristalina. Durante años, los investigadores han intentado predecir las relaciones de dispersión de fonones utilizando el aprendizaje automático, pero esto implica tantos cálculos de alta precisión que los modelos se confunden.
“Si tienes 100 CPU y unas pocas semanas, probablemente puedas calcular la relación de dispersión de fonones para un solo material. Toda la comunidad realmente quiere una manera más eficiente de hacer esto”, dice Okabe.
Los modelos de aprendizaje automático que los científicos suelen utilizar para estos cálculos se denominan redes neuronales gráficas (GNN). Un GNN convierte la estructura atómica de un material en un gráfico cristalino que consta de múltiples nodos, que representan átomos, conectados por bordes, que representan enlaces interatómicos entre átomos.
Aunque los GNN funcionan bien para calcular muchas cantidades, como la magnetización o la polarización eléctrica, no son lo suficientemente flexibles para predecir de manera efectiva cantidades de muy altas dimensiones, como la relación de dispersión de fonones. Debido a que los fonones pueden viajar alrededor de átomos en los ejes X, Y y Z, es difícil modelar su espacio de trayectoria con una estructura gráfica fija.
Para lograr flexibilidad, Lee y sus colegas idearon nodos virtuales.
Crean lo que llaman una red neuronal de gráfico de nodos virtuales (VGNN) agregando una serie de nodos virtuales flexibles a una estructura cristalina fija para representar los teléfonos. Los nodos virtuales permiten que la salida de la red neuronal varíe en tamaño, por lo que no está limitada por una estructura cristalina fija.
Los nodos virtuales están conectados al gráfico de tal manera que sólo pueden recibir mensajes de nodos reales. Si bien los nodos virtuales se actualizarán a medida que el modelo actualice los nodos reales durante el cálculo, no afectan la precisión del modelo.
“La forma en que lo hacemos es muy eficiente en la codificación. Simplemente genera algunos nodos más en su GNN. La ubicación física no importa y los nodos reales ni siquiera conocen los virtuales”, dice Chotrattanapituk. hay”.
Cortar a través de la complejidad
Dado que contiene nodos virtuales para representar fonones, VGNN puede omitir muchos cálculos complicados al estimar las relaciones de dispersión de fonones, lo que hace que el método sea más eficiente que el GNN estándar.
Los investigadores han propuesto tres versiones diferentes de VGNN con una complejidad creciente. Cada uno puede usarse para predecir fonones directamente a partir de las coordenadas atómicas del material.
Debido a que su enfoque tiene la flexibilidad de modelar rápidamente características de alta dimensión, pueden usarlo para predecir relaciones de dispersión de fonones en sistemas de aleaciones. Estas complejas combinaciones de metales y no metales son particularmente difíciles de modelar con métodos tradicionales.
Los investigadores también descubrieron que los VGNN ofrecían una precisión ligeramente mayor al predecir la capacidad calorífica de los materiales. En algunos casos, los errores de predicción fueron dos órdenes de magnitud menores con su técnica.
Se puede utilizar un VGNN con una computadora personal para calcular las relaciones de dispersión de fonones para unos pocos miles de materiales en unos pocos segundos, dice Lee.
Este rendimiento puede permitir a los científicos explorar un espacio más grande cuando buscan materiales con propiedades térmicas específicas, como alto almacenamiento térmico, conversión de energía o superconductividad.
Además, la técnica del nodo virtual no es sólo para teléfonos, sino que también se puede utilizar para predecir propiedades ópticas y magnéticas desafiantes.
En el futuro, los investigadores quieren mejorar la técnica para que los nodos virtuales tengan mayor sensibilidad para captar pequeños cambios que puedan afectar a la estructura de los fonones.
“Los investigadores se sintieron muy cómodos usando nodos gráficos para representar átomos, pero podríamos reconsiderar eso. Los nodos gráficos pueden ser cualquier cosa. Y los nodos virtuales son un método muy común que se puede utilizar para predecir muchas cantidades de alta dimensión”, dice Lee.
Este trabajo fue apoyado por el Departamento de Energía de EE. UU., la Fundación Nacional de Ciencias, una beca MathWorks, una beca Suu-Hsien Chen, la Iniciativa Cuántica de Harvard y el Laboratorio Nacional Oak Ridge.
