摘要：研究人员开发了一个机器学习框架，该框架可以预测材料中热度分散的关键特性，其速度比其他AI方法快1000倍，并且可以使科学家提高发电系统和微电子的效率。...

据估计，全球产生的能源中约有70％最终以废热为生。

如果科学家能够更好地预测热量如何通过半导体和绝缘体移动，他们可以设计更有效的发电系统。但是，材料的热性能可能难以建模。

麻烦来自声子，它们是带有热量的亚原子颗粒。某些材料的热特性取决于称为声子分散关系的测量值，这可能非常难以获得，更不用说在系统的设计中使用了。

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问题来应对这一挑战。他们工作的结果是一个新的机器学习框架，可以预测具有可比精度甚至更高的基于AI的技术的速度比其他基于AI的技术快的速度快1000倍。与更传统的非基于非AI的方法相比，它的速度可能更快。

这种方法可以帮助工程师设计能够更有效地产生更多功率的能源系统。它也可以用来开发更有效的微电子，因为管理热量仍然是加速电子产品的主要瓶颈。

核科学与工程学副教授，有关该技术的论文的高级作者Mingda Li说：“声子是造成热损失的罪魁祸首，但众所周知，获得其性质是具有挑战性的。”

李是由化学研究生的共同领导作者Ryotaro Okabe加入了纸上的；电气工程和计算机科学研究生Abhijatmedhi Chotrattanapituk； MIT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，阿尔贡国家实验室，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橡树岭国家实验室的其他人。该研究出现在自然计算科学。

预测声子

热携带的声子很难预测，因为它们的频率极高，并且颗粒以不同的速度相互作用和旅行。

材料的声子分散关系是声子在其晶体结构中的能量与动量之间的关系。多年来，研究人员一直试图使用机器学习来预测声子分散关系，但是涉及的高精度计算涉及，模型陷入了困境。

Okabe说：“如果您有100个CPU和几个星期，您可能可以计算一种材料的声子分散关系。整个社区确实想要一种更有效的方法来做到这一点。”

机器学习模型科学家经常用于这些计算，称为图形神经网络（GNN）。 GNN将材料的原子结构转换为包含多个节点的晶体图，这些节点代表原子，由边缘连接，该淋巴结代表了原子之间的原子间键。

尽管GNN在计算许多量（例如磁化或电化极化）方面效果很好，但它们的灵活性不足以有效预测像声子分散关系（如声子分散关系）的极高数量。由于声子可以在X，Y和Z轴上绕原子传播，因此它们的动量空间很难用固定的图形结构进行建模。

为了获得他们需要的灵活性，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）来表示声子。虚拟节点使神经网络的输出的大小变化，因此不受固定晶体结构的限制。

虚拟节点以这种方式连接到图形，使它们只能从真实节点接收消息。尽管模型在计算过程中更新实际节点时，虚拟节点将被更新，但它们不会影响模型的准确性。

Chotrattanapituk说：“我们这样做的方式非常有效。您只会在GNN中产生一些节点。物理位置并不重要，而真正的节点甚至不知道虚拟节点在那里。”

削减复杂性

由于它具有代表声子的虚拟节点，因此在估计声子分散关系时，VGNN可以跳过许多复杂的计算，这使该方法比标准GNN更有效。

研究人员提出了三种不同版本的VGNN，随着复杂性的增加。每个都可以用来直接从材料的原子坐标中预测声子。

由于他们的方法具有快速建模高维属性的灵活性，因此他们可以使用它来估计合金系统中的声子分散关系。对于传统的模型方法，这些金属和非金属的复杂组合尤其具有挑战性。

研究人员还发现，VGNN在预测材料的热容量时提供了更高的准确性。在某些情况下，预测误差的技术较低两个数量级。

李说，可以使用个人计算机在短短几秒钟内使用VGNN来计算几千材料的声子分散关系。

这种效率可以使科学家在寻求具有某些热特性的材料时搜索更大的空间，例如高温存储，能量转换或超导性。

此外，虚拟节点技术不是声子独有的，也可以用来预测具有挑战性的光学和磁性。

将来，研究人员希望完善技术，以便虚拟节点具有更大的敏感性来捕获可能影响声子结构的小变化。

李说：“研究人员使用图节点来表示原子太舒服了，但是我们可以重新考虑。图可以是任何东西。而且虚拟节点是一种非常通用的方法，您可以用来预测很多高维数量。”

这项工作得到了美国能源部，国家科学基金会，数学奖学金，母亲陈陈奖学金，哈佛量子倡议和橡树岭国家实验室的支持。