En strømlinet tilgang til bestemmelse af termiske egenskaber for krystallinske faste stoffer og legeringer

I et essay i september 2020 i Naturenergi , tre forskere stillede flere "store udfordringer" - hvoraf den ene var at finde egnede materialer til lagringsenheder til termisk energi, der kunne bruges sammen med solenergisystemer. Heldigvis, Mingda Li - Norman C. Rasmussen Adjunkt i Nuclear Science and Engineering ved MIT, der leder instituttets Quantum Matter Group - tænkte allerede i samme retning. Faktisk, Li og ni samarbejdspartnere (fra MIT, Lawrence Berkeley National Laboratory, og Argonne National Laboratory) udviklede en ny metode, involverer en ny metode til maskinlæring, det ville gøre det hurtigere og lettere at identificere materialer med gunstige egenskaber til lagring af termisk energi og andre anvendelser.

Resultaterne af deres undersøgelse vises i denne måned i et papir for Avanceret videnskab . "Dette er en revolutionerende tilgang, der lover at fremskynde designet af nye funktionelle materialer, "kommenterer fysiker Jaime Fernandez-Baca, en fornem medarbejder ved Oak Ridge National Laboratory.

En central udfordring inden for materialevidenskab, Li og hans medforfattere skriver, er at "etablere struktur-ejendomsforhold"-at finde ud af de egenskaber, et materiale med en given atomstruktur ville have. Li's team fokuserede, i særdeleshed, om at bruge strukturel viden til at forudsige "fonontæthed i tilstande, "som har en kritisk betydning for termiske egenskaber.

For at forstå det udtryk, det er bedst at starte med ordet phonon. "Et krystallinsk materiale består af atomer arrangeret i en gitterstruktur, "forklarer Nina Andrejevic, en ph.d. studerende i materialevidenskab og teknik. "Vi kan tænke på disse atomer som kugler forbundet med fjedre, og termisk energi får fjedrene til at vibrere. Og disse vibrationer, som kun forekommer ved diskrete [kvantiserede] frekvenser eller energier, er det, vi kalder fononer. "

Phonontætheden af ​​tilstande er simpelthen antallet af vibrationstilstande, eller fononer, findes inden for et givet frekvens- eller energiområde. Kendskab til tilstandenes fonetæthed, man kan bestemme et materiales varmekapacitet såvel som dets varmeledningsevne, som vedrører, hvor let varme passerer gennem et materiale, og endda den superledende overgangstemperatur i en superleder. "Til lagring af termisk energi, du vil have et materiale med en høj specifik varme, hvilket betyder, at den kan optage varme uden en kraftig temperaturstigning, "Siger Li." Du vil også have et materiale med lav varmeledningsevne, så det beholder varmen længere. "

Phonon tæthed af stater, imidlertid, er et svært udtryk for at måle eksperimentelt eller at beregne teoretisk. "For en måling som denne, man skal gå til et nationalt laboratorium for at bruge et stort instrument, cirka 10 meter lang, for at få den energiopløsning, du har brug for, "Siger Li." Det er fordi det signal vi leder efter er meget svagt. "

"Og hvis du vil beregne fonontætheden af ​​tilstande, den mest præcise måde at gøre det på er baseret på densitet funktionel forstyrrelsesteori (DFPT), "bemærker Zhantao Chen, en maskinteknisk ph.d. studerende. "Men disse beregninger skaleres med den fjerde rækkefølge af antallet af atomer i krystalets grundlæggende byggesten, hvilket kunne kræve dage med computetid på en CPU -klynge. "For legeringer, som indeholder to eller flere elementer, beregningerne bliver meget sværere, muligvis tage uger eller endnu længere.

Den nye metode, siger Li, kunne reducere disse beregningskrav til et par sekunder på en pc. I stedet for at forsøge at beregne tilstandenes fonontæthed ud fra de første principper, hvilket klart er en besværlig opgave, hans team anvendte en neuralt netværkstilgang, ved hjælp af kunstige intelligens -algoritmer, der gør det muligt for en computer at lære af eksemplet. Ideen var at præsentere det neurale netværk med nok data om et materiales atomstruktur og dets tilhørende fonontæthed af tilstande, til at netværket kunne skelne mellem nøglemønstrene, der forbinder de to. Efter "træning" på denne måde, netværket ville forhåbentlig lave pålidelig tæthed af tilstandsforudsigelser for et stof med en given atomstruktur.

Forudsigelser er svære, Li forklarer, fordi tilstandenes fonetæthed ikke kan beskrives ved et enkelt tal, men derimod ved en kurve (analog med lysspektret, der afgives ved forskellige bølgelængder af et lysende objekt). "En anden udfordring er, at vi kun har pålidelige [tæthed af stater] -data for omkring 1, 500 materialer. Da vi først prøvede maskinlæring, datasættet var for lille til at understøtte præcise forudsigelser. "

Hans gruppe gik derefter sammen med Lawrence Berkeley -fysikeren Tess Smidt '12, en medopfinder af såkaldte euklidiske neurale netværk. "At træne et konventionelt neuralt netværk kræver normalt datasæt, der indeholder hundredtusinder til millioner af eksempler, "Siger Smidt. En væsentlig del af denne datakrav stammer fra, at et konventionelt neuralt netværk ikke forstår, at et 3D -mønster og en roteret version af det samme mønster er relateret og faktisk repræsenterer det samme. Før det kan genkende 3D -mønstre -I dette tilfælde, det præcise geometriske arrangement af atomer i en krystal - et konventionelt neuralt netværk skal først vises det samme mønster i hundredvis af forskellige orienteringer.

"Fordi euklidiske neurale netværk forstår geometri - og erkender, at roterede mønstre stadig 'betyder' det samme - kan de udtrække den maksimale mængde information fra en enkelt prøve, "Tilføjer Smidt. Som et resultat, et euklidisk neuralt netværk uddannet den 1. 500 eksempler kan udkonkurrere et konventionelt neuralt netværk, der er uddannet på 500 gange flere data.

Ved hjælp af det euklidiske neurale netværk, holdet forudsagde fonontæthed af tilstande for 4, 346 krystallinske strukturer. De valgte derefter de materialer med de 20 højeste varmekapaciteter, sammenligning af den forudsagte tæthed af tilstandsværdier med værdier opnået gennem tidskrævende DFPT-beregninger. Aftalen var bemærkelsesværdig tæt.

Metoden kan bruges til at udvælge lovende materialer til lagring af termisk energi, i overensstemmelse med den førnævnte "store udfordring, "Siger Li." Men det kan også i høj grad lette legeringsdesign, fordi vi nu lige så let kan bestemme tætheden af ​​tilstande for legeringer som for krystaller. At, på tur, tilbyder en enorm ekspansion i mulige materialer, vi kunne overveje til termisk opbevaring, såvel som mange andre applikationer. "

Nogle applikationer har, faktisk, allerede begyndt. Computerkode fra MIT -gruppen er blevet installeret på maskiner på Oak Ridge, gør det muligt for forskere at forudsige fonontætheden af ​​tilstande i et givet materiale baseret på dets atomstruktur.

Andrejevic påpeger, i øvrigt, at euklidiske neurale netværk har et endnu bredere potentiale, der endnu ikke er udnyttet. "De kan hjælpe os med at finde ud af vigtige materielle egenskaber udover tilstandenes fonontæthed. Så dette kunne åbne feltet i stor stil."

Denne historie er genudgivet med tilladelse fra MIT News (web.mit.edu/newsoffice/), et populært websted, der dækker nyheder om MIT -forskning, innovation og undervisning.