Se estima que alrededor del 70 por ciento de la energía generada en todo el mundo termina como calor residual.
Si los científicos pueden predecir mejor cómo se mueve el calor a través de semiconductores y aislantes, podrán diseñar sistemas de generación de energía más eficientes. Sin embargo, modelar las propiedades térmicas de los materiales puede resultar extremadamente difícil.
El problema proviene de los fonones, que son partículas subatómicas que transportan calor. Algunas de las propiedades térmicas de un material dependen de una medida llamada relación de dispersión de fonones, que puede ser increíblemente difícil de explotar en el diseño de un sistema.
Un equipo de investigadores del MIT y de otros lugares abordó este desafío repensando el problema desde cero. El resultado de su trabajo es un nuevo marco de aprendizaje automático que puede predecir las relaciones de dispersión de fonones 1.000 veces más rápido que otras técnicas basadas en inteligencia artificial con una precisión comparable o mejor. En comparación con métodos más tradicionales, no basados en IA, esto puede ser hasta un millón de veces más rápido.
Este enfoque puede ayudar a los ingenieros a diseñar sistemas de generación de energía que produzcan más energía y de manera más eficiente. También se puede utilizar para desarrollar microelectrónica más eficiente, ya que la gestión del calor ha sido un obstáculo importante para acelerar la electrónica.
“Los fonones son los culpables del daño térmico, pero obtener sus propiedades es un desafío notorio, ya sea computacional o experimentalmente”, dijo Mingda Li, profesora asociada del Departamento de Ciencia e Ingeniería Nuclear y autora principal de un artículo sobre esta tecnología.
A Lee se unen en el artículo el coautor principal Ryotaro Okabe, un estudiante de posgrado en química; y Abhijatamedhi Chhotrattanapitook, estudiante de posgrado en ingeniería eléctrica e informática; Tommy Zakkola, profesor Thomas Seibel de Ingeniería Eléctrica e Informática en el MIT; así como otros en el MIT, el Laboratorio Nacional Argonne, la Universidad de Harvard, la Universidad de Carolina del Sur, la Universidad Emory, la Universidad de California en Santa Bárbara y el Laboratorio Nacional Oak Ridge. Estudios muestran Ciencia Computacional de la Naturaleza.
Predecir fonones
Los fonones portadores de calor son difíciles de predecir porque tienen un rango de frecuencia muy amplio y las partículas interactúan y viajan a diferentes velocidades.
La relación de dispersión de fonones de un material es la relación entre la energía y el momento de los fonones en su estructura cristalina. Durante años, los investigadores han intentado predecir la relación de dispersión de fonones utilizando el aprendizaje automático, pero hay tantos cálculos de alta precisión involucrados que los modelos se atascan.
“Si tienes 100 CPU y unas pocas semanas, probablemente puedas calcular la relación de dispersión de fonones para un material. Toda la comunidad realmente quiere una forma más eficiente de hacer esto”, dijo Okabe.
Los modelos de aprendizaje automático que los científicos suelen utilizar para estos cálculos se conocen como redes neuronales gráficas (GNN). Un GNN transforma la estructura atómica de un material en un gráfico cristalino que consta de múltiples nodos, que representan átomos, conectados por bordes, que representan enlaces interatómicos entre átomos.
Aunque los GNN funcionan bien para calcular muchas cantidades, como la magnetización o la polarización eléctrica, no son lo suficientemente flexibles como para predecir de manera eficiente una cantidad de muy altas dimensiones, como la relación de dispersión de fonones. Debido a que los fonones pueden viajar alrededor del átomo en los ejes X, Y y Z, su espacio de momento es difícil de modelar con una estructura gráfica fija.
Para lograr la flexibilidad que necesitaban, Lee y sus colegas crearon nodos virtuales.
Construyen una red neuronal de gráfico de nodos virtuales (VGNN) agregando una serie de nodos virtuales flexibles a estructuras cristalinas específicas para representar fonones. Los nodos virtuales permiten que la salida de la red neuronal varíe en tamaño, por lo que no está limitada por estructuras cristalinas específicas.
Los nodos virtuales están conectados al gráfico de tal manera que sólo pueden recibir mensajes de nodos reales. Aunque los nodos virtuales se actualizarán a medida que el modelo actualice los nodos reales durante el cálculo, no afectan la precisión del modelo.
“La forma en que lo hacemos es muy eficiente en codificación. Simplemente crea algunos nodos más en su GNN. La ubicación física no importa, y los nodos reales ni siquiera saben que los nodos virtuales están allí”, dijo Chotrattanapituk.
Reducir la complejidad
Dado que tiene nodos virtuales para representar los fonones, el VGNN puede evitar muchos cálculos complejos al estimar la relación de dispersión de fonones, lo que hace que el método sea más eficiente que un GNN estándar.
Los investigadores han propuesto tres versiones diferentes de VGNN con una complejidad creciente. se puede utilizar para predecir fonones directamente a partir de las coordenadas atómicas de cada elemento.
Debido a que su método tiene la flexibilidad de modelar rápidamente propiedades de alta dimensión, pueden usarlo para estimar las relaciones de dispersión de fonones en sistemas de aleaciones. Estas combinaciones complejas de metales y no metales son particularmente difíciles de modelar con enfoques tradicionales.
Los investigadores también descubrieron que los VGNN proporcionan una precisión ligeramente mayor al predecir la capacidad térmica de un material. En algunos casos, los errores de predicción fueron de menor magnitud con su técnica.
Se puede utilizar un VGNN para calcular relaciones de dispersión de fonones para decenas de miles de elementos en unos pocos segundos con una computadora personal, dijo Lee.
Esta capacidad puede permitir a los científicos buscar en un espacio más grande materiales con propiedades térmicas específicas, como almacenamiento térmico superior, conversión de energía o superconductividad.
Además, la técnica del nodo virtual no es exclusiva de los fonones y también puede utilizarse para predecir propiedades ópticas y magnéticas desafiantes.
En el futuro, a los investigadores les gustaría perfeccionar la técnica para que los nodos virtuales tengan mayor sensibilidad para capturar pequeños cambios que puedan afectar la estructura del fonón.
“Los investigadores se han sentido muy cómodos usando nodos gráficos para representar átomos, pero podemos repensar eso. Los nodos gráficos pueden ser cualquier cosa. Y los nodos virtuales son un método muy simple que se puede usar para predecir muchas cantidades de alta dimensión”, dijo Lee
Este trabajo fue apoyado por el Departamento de Energía de EE. UU., la Fundación Nacional de Ciencias, una beca MathWorks, una beca So-Sin Chen, la Iniciativa Cuántica de Harvard y el Laboratorio Nacional Oak Ridge.