MIT开发的新AI方法可将材料热性能预测速度提升数千倍
2024-07-23 11:35:50 - 媒体滚动
如果科学家能够更精确地预测热量如何在半导体和绝缘体中移动，他们就能设计出效率更高的电力生成系统。然而，材料的热性能，特别是与一种称为声子（Phonons）的亚原子粒子相关的特性，其预测极为复杂。声子携带热能，而材料的某些热特性取决于一种称为声子色散关系的测量方法，这种方法很难获得，更不用说在系统设计中加以利用了。
为应对这一挑战，麻省理工学院的研究者们及其合作者重新思考了整个问题。他们的成果是一种全新的机器学习框架，能够以比其他人工智能技术快1000倍预测声子色散关系，同时保持同等甚至更高的精度。与传统的非AI方法相比，这种新方法的速度提升可达100万倍。
这项技术的相关论文的主要作者之一，核科学与工程学副教授MingdaLi解释说：“声子是导致热损失的罪魁祸首，然而无论是从计算上还是实验上来获取它们的性质都非常困难”。
参与这项研究工作的有麻省理工学院、阿贡国家实验室、哈佛大学、南卡罗来纳大学、埃默里大学、加州大学圣巴巴拉分校和橡树岭国家实验室的研究者。这项研究发表在NatureComputationalScience上。
未来，研究者希望改进这一技术，使虚拟节点具有更高的敏感度，以捕捉可能影响声子结构的细微变化。（MITNews）