Método de IA acelera radicalmente as previsões das propriedades térmicas dos materiais
A abordagem pode ajudar engenheiros a projetar sistemas de conversão de energia mais eficientes e dispositivos microeletrônicos mais rápidos, reduzindo o calor residual.
Um novo método pode ajudar modelos a prever as propriedades térmicas de um material, por exemplo, revelando a dinâmica de átomos em cristais, conforme ilustrado aqui. Créditos: Imagem cortesia dos pesquisadores.
Estima-se que cerca de 70% da energia gerada no mundo acaba como calor residual.
Se os cientistas pudessem prever melhor como o calor se move através de semicondutores e isolantes, eles poderiam projetar sistemas de geração de energia mais eficientes. No entanto, as propriedades térmicas dos materiais podem ser extremamente difíceis de modelar.
O problema vem dos fônons, que são partículas subatômicas que transportam calor. Algumas das propriedades térmicas de um material dependem de uma medida chamada relação de dispersão de fônons, que pode ser incrivelmente difícil de obter, e muito menos utilizar no design de um sistema.
Uma equipe de pesquisadores do MIT e de outros lugares enfrentou esse desafio repensando o problema do zero. O resultado do trabalho deles é uma nova estrutura de aprendizado de máquina que pode prever relações de dispersão de fônons até 1.000 vezes mais rápido do que outras técnicas baseadas em IA, com precisão comparável ou até melhor. Comparado a abordagens mais tradicionais, não baseadas em IA, pode ser 1 milhão de vezes mais rápido.
Este método pode ajudar engenheiros a projetar sistemas de geração de energia que produzem mais potência, de forma mais eficiente. Também pode ser usado para desenvolver microeletrônica mais eficiente, já que gerenciar calor continua sendo um grande gargalo para acelerar a eletrônica.
“Os fônons são os culpados pela perda térmica, mas obter suas propriedades é notoriamente desafiador, tanto computacionalmente quanto experimentalmente”, diz Mingda Li, professora associada de ciência e engenharia nuclear e autora sênior de um artigo sobre essa técnica.
Li é acompanhado no artigo pelos coautores principais Ryotaro Okabe, um estudante de pós-graduação em química; e Abhijatmedhi Chotrattanapituk, um estudante de pós-graduação em engenharia elétrica e ciência da computação; Tommi Jaakkola, o Professor Thomas Siebel de Engenharia Elétrica e Ciência da Computação no MIT; assim como outros no MIT, Argonne National Laboratory, Harvard University, University of South Carolina, Emory University, University of California em Santa Barbara e Oak Ridge National Laboratory. A pesquisa aparece na Nature Computational Science.
Prevendo fônons
Fônons transportadores de calor são difíceis de prever porque eles têm uma faixa de frequência extremamente ampla, e as partículas interagem e viajam em velocidades diferentes.
A relação de dispersão de fônons de um material é a relação entre energia e momento dos fônons em sua estrutura cristalina. Por anos, pesquisadores tentaram prever relações de dispersão de fônons usando aprendizado de máquina, mas há tantos cálculos de alta precisão envolvidos que os modelos ficam atolados.
“Se você tem 100 CPUs e algumas semanas, provavelmente poderia calcular a relação de dispersão de fônons para um material. A comunidade inteira realmente quer uma maneira mais eficiente de fazer isso”, diz Okabe.
Os modelos de aprendizado de máquina que os cientistas costumam usar para esses cálculos são conhecidos como redes neurais de grafos (GNN). Uma GNN converte a estrutura atômica de um material em um grafo de cristal que compreende vários nós, que representam átomos, conectados por arestas, que representam a ligação interatômica entre átomos.
Embora GNNs funcionem bem para calcular muitas quantidades, como magnetização ou polarização elétrica, elas não são flexíveis o suficiente para prever com eficiência uma quantidade extremamente dimensional como a relação de dispersão de fônons. Como os fônons podem viajar ao redor de átomos nos eixos X, Y e Z, seu espaço de momento é difícil de modelar com uma estrutura de gráfico fixa.
Para obter a flexibilidade necessária, Li e seus colaboradores criaram nós virtuais.
Eles criam o que chamam de rede neural de gráfico de nó virtual (VGNN) adicionando uma série de nós virtuais flexíveis à estrutura cristalina fixa para representar fônons. Os nós virtuais permitem que a saída da rede neural varie em tamanho, de modo que ela não seja restringida pela estrutura cristalina fixa.
Os nós virtuais são conectados ao gráfico de tal forma que eles só podem receber mensagens de nós reais. Enquanto os nós virtuais serão atualizados conforme o modelo atualiza os nós reais durante a computação, eles não afetam a precisão do modelo.
“A maneira como fazemos isso é muito eficiente na codificação. Você apenas gera mais alguns nós em sua GNN. A localização física não importa, e os nós reais nem sabem que os nós virtuais estão lá”, diz Chotrattanapituk.
Eliminando a complexidade
Como possui nós virtuais para representar fônons, o VGNN pode pular muitos cálculos complexos ao estimar relações de dispersão de fônons, o que torna o método mais eficiente do que um GNN padrão.
Os pesquisadores propuseram três versões diferentes de VGNNs com complexidade crescente. Cada uma pode ser usada para prever fônons diretamente das coordenadas atômicas de um material.
Como sua abordagem tem a flexibilidade de modelar rapidamente propriedades de alta dimensão, eles podem usá-la para estimar relações de dispersão de fônons em sistemas de liga. Essas combinações complexas de metais e não metais são especialmente desafiadoras para abordagens tradicionais de modelagem.
Os pesquisadores também descobriram que VGNNs ofereciam precisão ligeiramente maior ao prever a capacidade térmica de um material. Em alguns casos, os erros de previsão eram duas ordens de magnitude menores com sua técnica.
Um VGNN poderia ser usado para calcular relações de dispersão de fônons para alguns milhares de materiais em apenas alguns segundos com um computador pessoal, diz Li.
Essa eficiência pode permitir que os cientistas pesquisem um espaço maior ao procurar materiais com certas propriedades térmicas, como armazenamento térmico superior, conversão de energia ou supercondutividade.
Além disso, a técnica do nó virtual não é exclusiva dos fônons e também pode ser usada para prever propriedades ópticas e magnéticas desafiadoras.
No futuro, os pesquisadores querem refinar a técnica para que os nós virtuais tenham maior sensibilidade para capturar pequenas mudanças que podem afetar a estrutura do fônon.
“Os pesquisadores ficaram muito confortáveis usando nós de gráfico para representar átomos, mas podemos repensar isso. Nós de gráfico podem ser qualquer coisa. E nós virtuais são uma abordagem muito genérica que você pode usar para prever muitas quantidades de alta dimensão”, diz Li.
“A abordagem inovadora dos autores aumenta significativamente a descrição da rede neural gráfica de sólidos ao incorporar elementos-chave informados pela física por meio de nós virtuais, por exemplo, informando estruturas de banda dependentes de vetores de onda e matrizes dinâmicas”, diz Olivier Delaire, professor associado do Departamento Thomas Lord de Engenharia Mecânica e Ciência dos Materiais da Duke University, que não estava envolvido neste trabalho. “Eu acho que o nível de aceleração na previsão de propriedades complexas de fônons é incrível, várias ordens de magnitude mais rápido do que um potencial interatômico de aprendizado de máquina universal de última geração. Impressionantemente, a rede neural avançada captura características finas e obedece a regras físicas. Há um grande potencial para expandir o modelo para descrever outras propriedades importantes do material: espectros eletrônicos, ópticos e magnéticos e estruturas de banda vêm à mente.”
Este trabalho é apoiado pelo Departamento de Energia dos EUA, pela National Science Foundation, por uma bolsa Mathworks, uma bolsa Sow-Hsin Chen, pela Harvard Quantum Initiative e pelo Oak Ridge National Laboratory.