Yapay zeka yöntemi, malzemelerin termal özelliklerinin tahminini kökten hızlandırıyor

Dünya çapında üretilen enerjinin yaklaşık yüzde 70’inin atık ısıya dönüştüğü tahmin ediliyor.

Bilim adamları ısının yarı iletkenler ve yalıtkanlar arasında nasıl hareket ettiğini daha iyi tahmin edebilirlerse, daha verimli enerji üretim sistemleri tasarlayabilirler. Ancak malzemelerin termal özelliklerini modellemek oldukça zor olabilir.

Sorun, ısı taşıyan atom altı parçacıklar olan fononlarda yatmaktadır. Malzemelerin bazı termal özellikleri, fonon dağılım ilişkisi olarak adlandırılan ve bırakın sistem tasarımında kullanılmasını, elde edilmesi bile çok zor olabilen bir ölçüme bağlıdır.

MIT ve diğer yerlerden araştırmacılardan oluşan bir ekip, sorunu en baştan yeniden düşünerek bu zorluğun üstesinden geldi. Çalışmalarının sonucu, fonon saçılma ilişkilerini diğer yapay zeka tabanlı tekniklere göre 1000 kata kadar daha hızlı ve benzer, hatta daha iyi bir doğrulukla tahmin edebilen yeni bir makine öğrenme çerçevesidir. Geleneksel yapay zeka olmayan yöntemlerle karşılaştırıldığında milyonlarca kat daha hızlı olabilir.

Bu yöntem, mühendislerin daha fazla enerjiyi daha verimli bir şekilde üreten enerji üretim sistemlerini tasarlamalarına yardımcı olabilir. Isı yönetimi elektronik cihazların hızlandırılmasının önünde büyük bir engel olmaya devam ettiğinden, daha verimli mikroelektronik cihazlar geliştirmek için de kullanılabilirler.

Nükleer bilim ve mühendislik doçenti ve teknikle ilgili bir çalışmanın baş yazarı Mingda Li, “Fononlar termal kaybın nedenidir, ancak bunların özelliklerini elde etmek hem hesaplama hem de deneysel olarak çok zordur” diyor.

Lee araştırmaya, kimya alanında yüksek lisans öğrencisi olan ortak yazarlar Ryutaro Okabe tarafından katıldı; Abijatmidhi Chutrathanapituk, elektrik mühendisliği ve bilgisayar bilimleri alanında yüksek lisans öğrencisi; MIT’de elektrik mühendisliği ve bilgisayar bilimi profesörü Tommy Jaakkola; MIT, Argonne Ulusal Laboratuvarı, Harvard Üniversitesi, Güney Carolina Üniversitesi, Emory Üniversitesi, Santa Barbara’daki Kaliforniya Üniversitesi ve Oak Ridge Ulusal Laboratuvarı’ndaki diğerleri gibi. Nature Computational Science dergisinde yer alıyor.

Fononların tahmini

Isı taşıyan fononların tahmin edilmesi zordur çünkü çok geniş bir frekans aralığına sahiptirler ve parçacıklar etkileşime girip farklı hızlarda hareket ederler.

Bir malzemedeki fonon saçılımı ilişkisi, o malzemenin kristal yapısındaki fononların enerjisi ve momentumu arasındaki ilişkidir. Yıllardır araştırmacılar, makine öğrenimini kullanarak fonon saçılımı ilişkilerini tahmin etmeye çalıştılar, ancak o kadar çok yüksek çözünürlüklü hesaplama var ki, modeller takılıp kalıyor.

Okabe, “100 CPU’nuz ve birkaç haftanız olsaydı, muhtemelen tek bir malzeme için fonon saçılımı ilişkisini hesaplayabilirdiniz. Bütün topluluk bunu yapmanın gerçekten daha verimli bir yolunu istiyor” diyor.

Bilim insanları bu hesaplamaları gerçekleştirmek için genellikle grafik sinir ağları (GNN) olarak bilinen makine öğrenimi modellerini kullanır. Bir grafik sinir ağı, maddenin atomik yapısını, atomlar arasındaki bağı temsil eden kenarlarla birbirine bağlanan, atomları temsil eden birkaç düğümden oluşan bir kristal grafiğe dönüştürür.

CNN’ler manyetizma veya elektrik polarizasyonu gibi birçok niceliği hesaplamak için iyi çalışsa da, fonon saçılma ilişkisi gibi çok yüksek boyutlu bir niceliği verimli bir şekilde tahmin edecek kadar esnek değiller. Fononlar atomların etrafında X, Y ve Z eksenlerinde hareket edebildikleri için momentum uzaylarını sabit bir grafik yapısı kullanarak modellemek zordur.

Gerekli esnekliği kazanmak için Lee ve meslektaşları sanal düğümler oluşturdular.

Fononları temsil etmek için sabit kristal yapıya bir dizi esnek sanal düğüm ekleyerek sanal düğüm sinir ağı (VGNN) adını verdikleri şeyi oluşturdular. Sanal düğümler, sinir ağının çıktısının boyutunun değişmesine ve dolayısıyla sabit bir kristal yapı tarafından kısıtlanmamasına olanak tanır.

Sanal düğümler grafiğe yalnızca gerçek düğümlerden mesaj alabilecek şekilde bağlanır. Hesaplama sırasında model gerçek düğümleri güncelledikçe sanal düğümler de güncellenirken, bu durum modelin doğruluğunu etkilemez.

Chotrattanapituk, “Bunu yapma şeklimiz kodlama açısından oldukça verimli. Sadece GNN’de birkaç ekstra düğüm oluşturuyorsunuz. Fiziksel konum önemli değil, gerçek düğümler sanal düğümlerin orada olduğunu bile bilmiyor” diyor.

Karmaşıklığı ortadan kaldırın

Fononları temsil edecek sanal düğümler içerdiğinden VGNN, fonon saçılma ilişkilerini tahmin ederken birçok karmaşık hesaplamayı atlayabilir ve bu da yöntemi standart GNN’den daha verimli hale getirir.

Araştırmacılar artan karmaşıklığa sahip VGNN’lerin üç farklı versiyonunu önerdiler. Her biri fononları doğrudan bir malzemenin atomlarının koordinatlarından tahmin etmek için kullanılabilir.

Yaklaşımları yüksek boyutlu özelliklerin hızlı modellenmesine yönelik esnekliğe sahip olduğundan, bunu alaşım sistemlerindeki fonon saçılma ilişkilerini tahmin etmek için kullanabilirler. Metallerin ve ametallerin bu karmaşık bileşimleri, geleneksel modelleme yöntemlerine özel bir zorluk teşkil etmektedir.

Araştırmacılar ayrıca VGNN’lerin bir malzemenin ısı kapasitesini tahmin ederken biraz daha yüksek doğruluk sağladığını buldu. Bazı durumlarda, onların tekniği kullanıldığında tahmin hataları iki kat daha düşüktü.

Lee, kişisel bir bilgisayar kullanarak birkaç bin malzeme için fonon saçılma ilişkilerini yalnızca birkaç saniye içinde hesaplamak için VGNN’yi kullanmanın mümkün olduğunu söylüyor.

Bu verimlilik, bilim adamlarının üstün termal depolama, enerji dönüşümü veya süperiletkenlik gibi belirli termal özelliklere sahip malzemeleri ararken daha geniş bir alanda arama yapmasına olanak sağlayabilir.

Üstelik sanal düğüm tekniği fononlara özel değildir ve zor optik ve manyetik özellikleri tahmin etmek için de kullanılabilir.

Gelecekte araştırmacılar, sanal düğümlerin fonon yapısını etkileyebilecek küçük değişiklikleri algılamaya karşı daha duyarlı hale gelmesi için bu tekniği geliştirmek istiyorlar.

Lee, “Araştırmacılar atomları temsil etmek için grafik düğümlerini kullanma konusunda oldukça rahat hale geldi, ancak bunu yeniden düşünebiliriz” diyor. “Grafik düğümleri, birçok yüksek boyutlu niceliği tahmin etmek için kullanabileceğiniz çok genel bir yaklaşımdır.”

“Yazarlar tarafından benimsenen yenilikçi yaklaşım, örneğin bilgi veren dalga vektör tabanlı bant yapıları ve dinamik matrisler gibi, Sanal düğümler aracılığıyla temel fizik bilgili öğelerini birleştirerek katıların grafiklerinin sinir ağı tanımını önemli ölçüde geliştiriyor.” “Karmaşık fonon özelliklerini tahmin etmedeki hızlanma düzeyini şaşırtıcı buluyorum; atomlar arasındaki son teknoloji ürünü uçtan uca makine öğrenme yeteneklerinden birkaç kat daha hızlı. Gelişmiş sinir ağının kesin özellikleri yakalaması etkileyici. ve fiziksel kurallara uyuyor. Modelin önemli fiziksel özellikleri tanımlayacak şekilde genişletilmesi için büyük bir potansiyel var.” Diğerleri: elektronik, optik, manyetik spektrumlar ve bant yapıları akla geliyor.”

Bu çalışma ABD Enerji Bakanlığı, Ulusal Bilim Vakfı, Mathworks bağışı, Sow-Hsin Chen bağışı, Harvard Quantum Initiative ve Oak Ridge Ulusal Laboratuvarı tarafından desteklenmektedir.