AI 手法により材料の熱特性の予測が劇的に高速化 | MIT ニュース

世界中で生成されるエネルギーの約 70 パーセントが廃熱として廃棄されると推定されています。

科学者が半導体や絶縁体を通る熱の移動をより正確に予測できれば、より効率的な発電システムを設計できるでしょう。しかし、材料の熱特性をモデル化するのは非常に難しい場合があります。

問題は、熱を運ぶ素粒子であるフォノンから生じます。物質の熱特性の一部は、フォノン分散関係と呼ばれる測定値に依存しますが、これを取得することさえ非常に困難であり、システムの設計に利用することは困難です。

MIT などの研究者チームは、根本から問題を見直してこの課題に取り組みました。その成果は、他の AI ベースの技術よりも最大 1,000 倍速く、同等かそれ以上の精度でフォノン分散関係を予測できる新しい機械学習フレームワークです。従来の非 AI ベースのアプローチと比較すると、100 万倍も高速になる可能性があります。

この方法は、エンジニアがより多くの電力をより効率的に生産するエネルギー生成システムを設計するのに役立つ可能性があります。また、熱管理が電子機器の高速化の大きなボトルネックとなっているため、より効率的なマイクロエレクトロニクスの開発にも使用できます。

「フォノンは熱損失の原因ですが、その特性を得るのは計算的にも実験的にも非常に難しいことで知られています」と、この技術に関する論文の主任著者で、原子力科学工学准教授のミンダ・リー氏は言う。

この論文には、リー氏のほか、化学専攻の大学院生である岡部良太郎氏、電気工学およびコンピュータサイエンス専攻の大学院生であるアビジャトメディ・チョトラッタナピトゥク氏、MITの電気工学およびコンピュータサイエンスのトーマス・シーベル教授であるトミー・ヤッコラ氏、MIT、アルゴンヌ国立研究所、ハーバード大学、サウスカロライナ大学、エモリー大学、カリフォルニア大学サンタバーバラ校、オークリッジ国立研究所の共同執筆者が参加している。 登場する ネイチャー計算科学。

フォノンの予測

熱を運ぶフォノンは、周波数範囲が非常に広く、粒子が相互作用してさまざまな速度で移動するため、予測するのが難しいです。

物質のフォノン分散関係とは、その結晶構造におけるフォノンのエネルギーと運動量の関係です。研究者たちは何年もの間、機械学習を使ってフォノン分散関係を予測しようとしてきましたが、非常に多くの高精度の計算が必要なため、モデルが行き詰まってしまいます。

「100 個の CPU と数週間あれば、おそらく 1 つの材料のフォノン分散関係を計算できるでしょう。コミュニティ全体が、これをより効率的に行う方法を本当に望んでいます」と岡部氏は言います。

科学者がこれらの計算によく使用する機械学習モデルは、グラフ ニューラル ネットワーク (GNN) として知られています。GNN は、物質の原子構造を、原子間の原子間結合を表すエッジで接続された、原子を表す複数のノードで構成される結晶グラフに変換します。

GNN は磁化や電気分極などの多くの量を計算するのに適していますが、フォノン分散関係のような極めて高次元の量を効率的に予測できるほど柔軟ではありません。フォノンは X、Y、Z 軸上で原子の周りを移動できるため、フォノンの運動量空間を固定グラフ構造でモデル化するのは困難です。

必要な柔軟性を得るために、Li 氏とその協力者は仮想ノードを考案しました。

彼らは、フォノンを表すために固定された結晶構造に一連の柔軟な仮想ノードを追加することで、仮想ノード グラフ ニューラル ネットワーク (VGNN) と呼ばれるものを作成しました。仮想ノードにより、ニューラル ネットワークの出力のサイズを変更できるため、固定された結晶構造によって制限されなくなります。

仮想ノードは、実際のノードからのメッセージのみを受信できるようにグラフに接続されます。計算中にモデルが実際のノードを更新すると仮想ノードも更新されますが、モデルの精度には影響しません。

「この方法はコーディングにおいて非常に効率的です。GNN にさらにいくつかのノードを生成するだけです。物理的な場所は関係なく、実際のノードは仮想ノードが存在することすら知りません」と Chotrattanapituk 氏は言います。

複雑さを排除する

VGNN はフォノンを表す仮想ノードを持っているため、フォノン分散関係を推定する際に多くの複雑な計算を省略することができ、標準の GNN よりも効率的な方法になります。

研究者らは、複雑さが増す VGNN の 3 つの異なるバージョンを提案しました。それぞれを使用して、物質の原子座標からフォノンを直接予測できます。

このアプローチは高次元特性を迅速にモデル化できる柔軟性を備えているため、合金系におけるフォノン分散関係の推定に使用できます。金属と非金属のこれらの複雑な組み合わせは、従来のアプローチでは特にモデル化が困難です。

研究者らはまた、VGNN が物質の熱容量を予測する際にわずかに高い精度を提供することも発見した。場合によっては、彼らの技術によって予測誤差が 2 桁も低くなった。

Li 氏は、VGNN を使用すれば、パソコンでわずか数秒で数千の材料のフォノン分散関係を計算できると述べています。

この効率により、科学者は優れた熱貯蔵、エネルギー変換、超伝導などの特定の熱特性を持つ材料を探す際に、より広い空間を探索できるようになる可能性があります。

さらに、仮想ノード技術はフォノンに限定されるものではなく、難しい光学特性や磁気特性を予測するためにも使用できます。

研究者らは将来、この技術を改良し、仮想ノードがフォノン構造に影響を与える可能性のある小さな変化を捉える感度を高めたいと考えている。

「研究者はグラフノードを使って原子を表現することに慣れすぎていますが、私たちはそれを再考することができます。グラフノードはどんなものでもかまいません。そして仮想ノードは、多くの高次元の量を予測するために使用できる非常に一般的なアプローチです」とリー氏は言います。

「著者らの革新的なアプローチは、仮想ノードを通じて主要な物理学的要素を組み込むことで、固体のグラフニューラルネットワーク記述を大幅に強化します。たとえば、波数ベクトルに依存するバンド構造や動的マトリックスに情報を提供します」と、デューク大学トーマス・ロード機械工学および材料科学学部の准教授で、この研究には関与していないオリビエ・デレール氏は言う。「複雑なフォノン特性の予測の加速レベルは驚くべきもので、最先端のユニバーサル機械学習原子間ポテンシャルよりも数桁高速です。驚くべきことに、高度なニューラルネットは微細な特徴を捉え、物理法則に従います。モデルを拡張して、電子、光学、磁気スペクトルやバンド構造など、他の重要な材料特性を記述できる可能性は大いにあります。」

この研究は、米国エネルギー省、国立科学財団、Mathworks フェローシップ、Sow-Hsin Chen フェローシップ、ハーバード量子イニシアチブ、オークリッジ国立研究所の支援を受けて実施されています。