El enfoque innovador de la IA promete acelerar el diseño de nuevos materiales inteligentes

Las redes neuronales que tienen una simetría cristalina perfecta permiten un entrenamiento eficiente de los sólidos cristalinos.Crédito: Imagen proporcionada por el investigador

Un enfoque simplificado para determinar las propiedades térmicas de aleaciones y sólidos cristalinos

CON El equipo de investigación descubrió que la tecnología de aprendizaje automático ofrece ventajas significativas sobre los enfoques experimentales y teóricos estándar.

En un ensayo en septiembre de 2020 Energía de la naturaleza, Tres científicos han planteado algunos “desafíos magníficos”. Uno de ellos fue encontrar un material adecuado para un dispositivo de almacenamiento de energía térmica que pudiera usarse en combinación con un sistema de energía solar. Casualmente, Mingda Li, profesora asistente de ciencia e ingeniería nuclear en el MIT, que dirige el grupo de materiales cuánticos en el departamento, ya tenía una idea similar. De hecho, Li y nueve colaboradores (MIT, Laboratorio Nacional Lawrence Berkeley, Laboratorio Nacional Argonne) han desarrollado nuevas metodologías, incluidos nuevos enfoques de aprendizaje automático. Esto hace que sea más fácil y rápido identificar materiales con propiedades amigables con el calor. Almacenamiento de energía y otros usos.

Sus hallazgos han sido recientemente Ciencia avanzada.. “Este es un enfoque innovador que promete acelerar el diseño de nuevos materiales funcionales”, comentó Jaime Fernandez Baka, un físico que es un miembro destacado del personal del Laboratorio Nacional de Oak Ridge.

La tarea central de la ciencia de los materiales es “establecer la relación entre la estructura y las propiedades”, como escriben Li y sus coautores. En otras palabras, comprender las propiedades de los materiales con una estructura atómica particular. El equipo de Li se centró específicamente en utilizar el conocimiento estructural para predecir la “densidad de fonones de los estados”. Esto tiene un efecto importante sobre las propiedades térmicas.

La mejor manera de entender el término es comenzar con la palabra phonon. Los materiales de rystal están formados por átomos dispuestos en una estructura de celosía, explica Nina Andrejevic, estudiante de doctorado en ciencia e ingeniería de materiales. “Se puede pensar en estos átomos como esferas conectadas por resortes, y la energía térmica hace que los resortes vibren. Y esas vibraciones ocurren solo de manera discreta. [quantized] La frecuencia o energía es lo que llamamos fonones. “

La densidad de estados de fonones es el número de modos de vibración o fonones detectados dentro de una frecuencia o rango de energía particular. Conocer la densidad de estados de los fonones puede determinar la capacidad de transferencia térmica de un material, su conductividad térmica, que está relacionada con la facilidad con la que el calor pasa a través del material y la temperatura de transición superconductora de un superconductor. Para propósitos de almacenamiento de calor, necesitamos un material con un calor específico alto, lo que significa que podemos absorber calor sin un aumento repentino de temperatura, dice Li. “También necesitamos un material que tenga baja conductividad térmica y pueda mantener el calor por más tiempo”.

Sin embargo, la densidad de estados de fonones es un término difícil de medir experimentalmente o de calcular teóricamente.淔 o tales mediciones, hay que ir a un laboratorio nacional para usar un instrumento grande de unos 10 metros de largo para obtener la resolución de energía requerida, dice Li. “Eso es porque la señal que estamos buscando es muy débil”.

La forma más precisa de calcular la densidad de estados de fonones depende de la teoría funcional de la densidad (DFPT), dijo Zhantao Chen, estudiante de doctorado en ingeniería mecánica. “Pero estos cálculos son proporcionales al cuarto orden del número de átomos en los componentes básicos del cristal. Esto puede tardar días en calcularse en un clúster de CPU “. Dos o más elementos Para las aleaciones que contienen, el cálculo es mucho más difícil y puede llevar semanas o más en algunos casos.

Según Li, este nuevo método puede reducir la cantidad de cálculos en una PC a segundos. En lugar de intentar calcular la densidad de fonones de los estados a partir de los primeros principios, que es claramente una tarea abrumadora, su equipo adoptó un enfoque de red neuronal utilizando algoritmos de inteligencia artificial que permiten a las computadoras aprender de los ejemplos. hizo. La idea era proporcionar a la red neuronal datos suficientes sobre la estructura atómica del material y su densidad de estados de fonones asociados para que la red pudiera identificar los patrones importantes que conectan los dos. Después de “entrenar” de esta manera, la red puede hacer predicciones confiables de densidad de estados para materiales con una estructura atómica particular.

Li explica que la densidad de estados de fonones es difícil de predecir porque no se puede representar mediante una curva (similar al espectro de luz emitida en diferentes longitudes de onda por un objeto luminiscente) en lugar de un solo número. “Otro desafío es que somos los únicos en los que podemos confiar. [density of states] Datos sobre unos 1.500 materiales. Cuando probé por primera vez el aprendizaje automático, el conjunto de datos era demasiado pequeño para admitir predicciones precisas. “

Luego, su grupo se asoció con la física de Lawrence Berkeley, Tess Smidt ’12, co-inventora de la llamada red neuronal euclidiana.淭 La lluvia de redes neuronales tradicionales generalmente requiere un conjunto de datos que contenga cientos de miles o millones de ejemplos, dice Smidt. Una parte importante de esa demanda de datos proviene del hecho de que las redes neuronales tradicionales no comprenden que las versiones rotativas del mismo patrón que el patrón 3D están relacionadas y en realidad representan lo mismo. Antes de reconocer un patrón 3D (en este caso la geometría exacta de los átomos en un cristal), las redes neuronales tradicionales primero deben mostrar el mismo patrón en cientos de direcciones diferentes.

“Las redes neuronales euclidianas entienden la geometría y reconocen que los patrones rotados todavía” significan lo mismo, “por lo que podemos extraer la máxima cantidad de información de una sola muestra”, agregó Smidt. Voy a. Como resultado, las redes neuronales euclidianas entrenadas en 1.500 ejemplos funcionan mejor que las redes neuronales tradicionales entrenadas con más de 500 veces más datos.

El equipo utilizó una red neuronal euclidiana para predecir la densidad de fonones de los estados en 4.346 estructuras cristalinas. A continuación, seleccionamos los 20 materiales con las capacidades caloríficas más altas y comparamos los valores de densidad de estados previstos 嬧 € 媤 con los obtenidos a partir de los cálculos DFPT que consumen mucho tiempo. El acuerdo estuvo muy cerca.

Este enfoque se puede utilizar para seleccionar materiales de almacenamiento de energía térmica prometedores de acuerdo con el “gran desafío” mencionado anteriormente, dice Li. “Pero también puede promover en gran medida aleación Esto se debe a que la densidad de estados de la aleación ahora se puede determinar fácilmente, como en el caso de los cristales. El resultado es una expansión significativa de los materiales que pueden considerarse para almacenamiento de calor y muchas otras aplicaciones. “

De hecho, algunas aplicaciones ya están iniciadas. El código de computadora del MIT Group está instalado en las máquinas Oak Ridge, lo que permite a los investigadores predecir la densidad de estados de los fonones de un material en particular basándose en su estructura atómica.

Andrejevic señala además que las redes neuronales euclidianas tienen una gama más amplia de posibilidades no desarrolladas. “Nos ayudan a comprender la densidad de los estados de los fonones, así como las propiedades importantes de los materiales, por lo que esto puede abrir campos en gran medida”.

Referencia: “Predicción directa de la densidad de fonones de estados por Euclid Neural Network”, Zhantao Chen, Nina Andrejevic, Tess Smidt, Zhiwei Ding, Qian Xu, Yen-Ting Chi, Quynh T. Nguyen, Ahmet Alatas, Jing Kong, Mingda Li, 2021 16 de marzo de 2014 Ciencia avanzada..
DOI: 10.1002 / advs.202004214

Este estudio fue financiado por el Departamento de Ciencias del Departamento de Energía de EE. UU., La Fundación Nacional de Ciencias y el Laboratorio Nacional Lawrence Berkeley.