I en uppsats från september 2020 i Naturenergi , tre forskare ställde flera "stora utmaningar" - varav en var att hitta lämpligt material för lagringsenheter för termisk energi som kan användas tillsammans med solenergisystem. Lyckligtvis, Mingda Li — Norman C. Rasmussen biträdande professor i kärnvetenskap och teknik vid MIT, som leder avdelningens Quantum Matter Group - tänkte redan i samma riktning. Faktiskt, Li och nio medarbetare (från MIT, Lawrence Berkeley National Laboratory, och Argonne National Laboratory) utvecklade en ny metod, som involverar en ny metod för maskininlärning, som skulle göra det snabbare och enklare att identifiera material med gynnsamma egenskaper för lagring av termisk energi och andra användningsområden.

Resultaten av deras undersökning visas denna månad i ett papper för Avancerad vetenskap . "Detta är ett revolutionerande tillvägagångssätt som lovar att påskynda designen av nya funktionella material, "kommenterar fysikern Jaime Fernandez-Baca, en framstående personal vid Oak Ridge National Laboratory.

En central utmaning inom materialvetenskap, Li och hans medförfattare skriver, är att "upprätta struktur-egendomsförhållanden"-att ta reda på de egenskaper ett material med en given atomstruktur skulle ha. Li team fokuserade, särskilt, om att använda strukturell kunskap för att förutsäga "fonontäthet i tillstånd, "som har en kritisk betydelse för termiska egenskaper.

För att förstå den termen, det är bäst att börja med ordet fonon. "Ett kristallint material består av atomer arrangerade i en gitterstruktur, "förklarar Nina Andrejevic, en doktorsexamen student i materialvetenskap och teknik. "Vi kan tänka på dessa atomer som sfärer som är förbundna med fjädrar, och termisk energi får fjädrarna att vibrera. Och dessa vibrationer, som endast förekommer vid diskreta [kvantiserade] frekvenser eller energier, är vad vi kallar fononer. "

Phonondensiteten i tillstånd är helt enkelt antalet vibrationslägen, eller fononer, finns inom ett givet frekvens- eller energiområde. Att känna till fonontätheten i tillstånd, man kan bestämma ett materials värmebärande kapacitet såväl som dess värmeledningsförmåga, som avser hur lätt värme passerar genom ett material, och till och med den överledande övergångstemperaturen i en superledare. "För lagring av termisk energi, du vill ha ett material med hög specifik värme, vilket betyder att den kan ta in värme utan en kraftig temperaturökning, "Säger Li." Du vill också ha ett material med låg värmeledningsförmåga så att det behåller sin värme längre. "

Fonontätheten i stater, dock, är en svår term att mäta experimentellt eller att beräkna teoretiskt. "För en sådan mätning, man måste gå till ett nationellt laboratorium för att använda ett stort instrument, cirka 10 meter lång, för att få den energiopplösning du behöver, "Säger Li." Det beror på att signalen vi letar efter är mycket svag. "

"Och om du vill beräkna fonontätheten för tillstånd, det mest exakta sättet att göra det är beroende av densitetsfunktionell störningsteori (DFPT), "konstaterar Zhantao Chen, en maskinteknik Ph.D. studerande. "Men dessa beräkningar skala med den fjärde ordningen av antalet atomer i kristallens grundläggande byggsten, vilket kan kräva dagars datortid på ett CPU -kluster. "För legeringar, som innehåller två eller flera element, beräkningarna blir mycket svårare, kanske tar veckor eller ännu längre.

Den nya metoden, säger Li, kan minska dessa beräkningskrav till några sekunder på en dator. Istället för att försöka beräkna fonontätheten för tillstånd från de första principerna, vilket helt klart är en mödosam uppgift, hans team använde ett neuralt nätverksarbete, genom att använda artificiell intelligensalgoritmer som gör att en dator kan lära av exempel. Tanken var att presentera det neurala nätverket med tillräckligt med data om ett materials atomstruktur och dess tillhörande fonondensitet av tillstånd så att nätverket kunde urskilja nyckelmönstren som förbinder de två. Efter "träning" på detta sätt, nätverket skulle förhoppningsvis göra tillförlitlig densitet av tillståndsprognoser för ett ämne med en given atomstruktur.

Förutsägelser är svåra, Li förklarar, eftersom fonontätheten i tillstånd inte kan beskrivas med ett enda tal utan snarare genom en kurva (analogt med det ljusspektrum som avges vid olika våglängder av ett lysande objekt). "En annan utmaning är att vi bara har pålitlig [statstäthet] -data för cirka 1, 500 material. När vi först försökte maskininlärning, datauppsättningen var för liten för att stödja exakta förutsägelser. "

Hans grupp gick sedan ihop med Lawrence Berkeley -fysikern Tess Smidt '12, en meduppfinnare av så kallade euklidiska neurala nätverk. "Att träna ett konventionellt neuralt nätverk kräver vanligtvis datamängder som innehåller hundratusentals till miljoner exempel, "Säger Smidt. En betydande del av den efterfrågan på data härrör från det faktum att ett konventionellt neuralt nätverk inte förstår att ett 3D -mönster och en roterad version av samma mönster är relaterade och faktiskt representerar samma sak. Innan det kan känna igen 3D -mönster -I detta fall, det exakta geometriska arrangemanget av atomer i en kristall - ett konventionellt neuralt nätverk måste först visas samma mönster i hundratals olika orienteringar.

"Eftersom euklidiska neurala nätverk förstår geometri - och inser att roterade mönster fortfarande" betyder "samma sak - kan de extrahera den maximala mängden information från ett enda prov, "Smidt tillägger. Som ett resultat, ett euklidiskt neuralt nätverk utbildat den 1, 500 exempel kan överträffa ett konventionellt neuralt nätverk som utbildats på 500 gånger mer data.

Med hjälp av det euklidiska neurala nätverket, laget förutspådde fonontätheten i tillstånd för 4, 346 kristallina strukturer. De valde sedan ut materialen med de 20 högsta värmekapaciteterna, att jämföra den förutspådda densiteten av tillståndsvärden med de som erhålls genom tidskrävande DFPT-beräkningar. Avtalet var anmärkningsvärt nära.

Metoden kan användas för att plocka ut lovande material för lagring av termisk energi, i linje med den ovan nämnda "stora utmaningen, "Säger Li." Men det kan också underlätta legeringsdesign, eftersom vi nu kan bestämma densiteten av tillstånd för legeringar lika enkelt som för kristaller. Den där, i tur och ordning, erbjuder en enorm expansion i möjliga material som vi kan överväga för termisk lagring, liksom många andra applikationer. "

Vissa applikationer har, faktiskt, redan börjat. Datorkod från MIT -gruppen har installerats på maskiner på Oak Ridge, gör det möjligt för forskare att förutsäga fonontätheten för tillstånd i ett givet material baserat på dess atomstruktur.

Andrejevic påpekar, dessutom, att euklidiska neurala nätverk har ännu bredare potential som ännu inte är utnyttjad. "De kan hjälpa oss att räkna ut viktiga materialegenskaper förutom fonontätheten i tillstånd. Så detta kan öppna fältet på ett stort sätt."

Denna artikel publiceras på nytt med tillstånd av MIT News (web.mit.edu/newsoffice/), en populär webbplats som täcker nyheter om MIT -forskning, innovation och undervisning.