هوش مصنوعی پیش‌بینی خواص حرارتی مواد را یک میلیون برابر سریع‌تر کرد

به گزارش خبرگزاری علم و فناوری آنا به نقل از اینترستینگ اینجینرینگ، یک مدل جدید یادگیری ماشینی می‌تواند با پیش‌بینی حرکت گرما از طریق نیمه‌رسانا‌ها و عایق‌ها با سرعت و دقت بی‌سابقه، کارایی سیستم‌های تولید انرژی را متحول کند.

در سیستم‌های انرژی جهانی تقریباً ۷۰ درصد انرژی تولید شده به‌طور متوسط به عنوان گرمای هدر رفته از دست می‌رود و رسیدگی به این ناکارآمدی یک چالش تاریخی بزرگ برای مهندسان برق بوده است. انجام این کار به هر واحد الکتریسیته تولید شده اجازه می‌دهد تا نیاز‌های انرژی مصرف‌کننده را بهتر تامین کند، همچنین برای ما این امکان را فراهم می‌کند که انرژی را حفظ کرده و احتمالاً انتشار کربن را به طور چشمگیری کاهش دهیم.

با این حال، حل این مشکل منوط به درک خواص حرارتی مواد است که به دلیل رفتار فونون‌ها، ذرات زیر اتمی که گرما را حمل می‌کنند، کاری پیچیده است. رابطه پراکندگی فونون (PDR)، که رابطه بین انرژی و تکانه فونون‌ها را در ساختار بلوری یک ماده توصیف می‌کند، به‌ویژه در مدل‌سازی بسیار دشوار است.

 اکنون، تیمی به رهبری مهندسان مؤسسه فناوری ماساچوست (MIT)، این چالش را با یک چارچوب یادگیری ماشینی جدید که فونون‌ها را تا هزار برابر سریعتر از تکنیک‌های هوش مصنوعی موجود و تا یک میلیون بار سریعتر از روش‌های سنتی پیش بینی می‌کند، مقابله کرده اند. 

این تکنیک، که در مقاله جدید منتشر شده در مجله نیچر توضیح داده شده است، نویدبخش سیستم‌های تولید برق کارآمدتر و طراحی‌های میکروالکترونیکی است که در آنها مدیریت گرما به طور سنتی یک گلوگاه مهم بوده است.

مینگدا لی، دانشیار علوم و مهندسی هسته‌ای در ام آی‌تی و نویسنده ارشد این مقاله، گفت: فونون‌ها مقصر تلفات حرارتی هستند، اما دستیابی به خواص آنها چه از نظر محاسباتی و چه تجربی بسیار چالش برانگیز است.

پیش‌بینی فونون‌های حامل گرما به دلیل دامنه فرکانس وسیع و سرعت‌های متغیرشان دشوار است. مدل‌های سنتی یادگیری ماشین، مانند شبکه‌های عصبی گراف (GNN)، با ماهیت ابعادی بالا روابط پراکندگی فونون مبارزه می‌کنند. برای غلبه بر این مسئله، محققان یک شبکه عصبی گراف گره مجازی (VGNN) ایجاد کردند که گره‌های مجازی انعطاف پذیر را به ساختار کریستالی ثابت معرفی می‌کند و مدل را قادر می‌سازد تا رفتار‌های فونون را تطبیق دهد و به طور موثر پیش بینی کند.

وی گفت: روشی که ما این کار را انجام می‌دهیم در کدنویسی بسیار کارآمد است. شما فقط چند گره دیگر در شبکه‌های عصبی گراف خود ایجاد می‌کنید.

ابهیجاتمدی چوتراتتاناپیتوک، دانشجوی کارشناسی ارشد ام آی تی و یکی از نویسندگان مقاله، گفت: مکان فیزیکی مهم نیست، و گره‌های واقعی حتی نمی‌دانند که گره‌های مجازی آنجا هستند.

این مطالعه استدلال می‌کند که شبکه عصبی گراف گره مجازی می‌تواند به سرعت روابط پراکندگی فونون را تخمین بزند و با دقت بیشتری ظرفیت گرمایی یک ماده را پیش بینی می‌کند. این کارایی در عرض چند ثانیه امکان محاسبه روابط پراکندگی فونون هزاران ماده را در رایانه شخصی فراهم می‌کند و به طور بالقوه‌ای کشف مواد با خواص حرارتی برتر را تسریع می‌کند.

با نگاهی به آینده، محققان قصد دارند تکنیک خود را اصلاح کنند و حساسیت گره‌های مجازی را برای ثبت تغییرات جزئی مؤثر بر ساختار فونون افزایش دهند. 

لی گفت: گره‌های نمودار می‌توانند هر چیزی باشند و گره‌های مجازی یک رویکرد بسیار عمومی هستند که می‌توانید برای پیش‌بینی مقادیر زیادی از ابعاد بالا از آن استفاده کنید.»

این چارچوب نوآورانه نه تنها وعده افزایش بهره وری انرژی را می‌دهد، بلکه راه‌های جدیدی را در مطالعه خواص نوری و مغناطیسی باز می‌کند و به طور بالقوه حوزه‌های مختلفی از علم مواد را متحول می‌کند.