محققان یک چارچوب یادگیری ماشینی توسعه داده‌اند که می‌تواند یک ویژگی کلیدی پراکندگی گرما در مواد را تا ۱۰۰۰ برابر سریع‌تر از سایر روش‌های هوش مصنوعی پیش‌بینی کند، و می‌تواند دانشمندان را قادر سازد تا کارایی سیستم‌های تولید برق و میکرو الکترونیک را بهبود بخشند.
برآورد می‌شود که حدود ۷۰ درصد از انرژی تولید شده در جهان به صورت گرما تلف می‌شود.
اگر دانشمندان بتوانند بهتر پیش‌بینی کنند که گرما چگونه از طریق نیمه‌رساناها و عایق‌ها حرکت می‌کند، می‌توانند سیستم‌های تولید برق کارآمدتری طراحی کنند. با این حال، مدل‌سازی خواص حرارتی مواد می‌تواند بسیار دشوار باشد.
مشکل از فونون‌ها ناشی می‌شود که ذرات زیر اتمی هستند که گرما را حمل می‌کنند. برخی از خواص حرارتی یک ماده به اندازه‌گیری‌ای به نام رابطه پراکندگی فونون بستگی دارد که به دست آوردن آن بسیار دشوار است، چه برسد به استفاده از آن در طراحی یک سیستم.
تیمی از محققان MIT و سایر مکان‌ها با بازنگری در مشکل از ابتدا، این چالش را برطرف کردند. نتیجه کار آن‌ها یک چارچوب جدید یادگیری ماشینی است که می‌تواند روابط پراکندگی فونون را تا ۱۰۰۰ برابر سریع‌تر از سایر تکنیک‌های مبتنی بر هوش مصنوعی پیش‌بینی کند، با دقت قابل مقایسه یا حتی بهتر. در مقایسه با رویکردهای سنتی‌تر غیر مبتنی بر هوش مصنوعی، می‌تواند ۱ میلیون بار سریع‌تر باشد.
این روش می‌تواند به مهندسان در طراحی سیستم‌های تولید انرژی کمک کند که انرژی بیشتری را با کارایی بالاتر تولید کنند. همچنین می‌توان از آن برای توسعه میکرو الکترونیک کارآمدتر استفاده کرد، زیرا مدیریت گرما همچنان یک گلوگاه اصلی برای سرعت بخشیدن به الکترونیک است.
مینگدا لی، استاد علوم و مهندسی هسته‌ای و نویسنده ارشد مقاله‌ای در مورد این تکنیک می‌گوید: «فونون‌ها عامل اصلی اتلاف حرارت هستند، اما به دست آوردن خواص آن‌ها چه از نظر محاسباتی و چه تجربی بسیار چالش‌برانگیز است.»
لی توسط نویسندگان همکار ریوتارو اوکابه، دانشجوی تحصیلات تکمیلی شیمی؛ و آبهیجاتمهدی چوتراتاناپیتوک، دانشجوی تحصیلات تکمیلی مهندسی برق و کامپیوتر؛ تامی جاکولا، استاد مهندسی برق و کامپیوتر توماس سیبل در MIT؛ و همچنین دیگران در MIT، آزمایشگاه ملی آرگون، دانشگاه هاروارد، دانشگاه کارولینای جنوبی، دانشگاه اموری، دانشگاه کالیفرنیا در سانتا باربارا و آزمایشگاه ملی اوک ریج همراهی می‌شود. این تحقیق در مجله Nature Computational Science منتشر شده است.
پیش‌بینی فونون‌ها
فونون‌های حامل گرما پیش‌بینی کردن آن‌ها دشوار است زیرا آن‌ها دارای محدوده فرکانسی بسیار گسترده‌ای هستند و ذرات با سرعت‌های مختلف تعامل و حرکت می‌کنند.
رابطه پراکندگی فونون یک ماده رابطه بین انرژی و تکانه فونون‌ها در ساختار کریستالی آن است. سال‌هاست که محققان سعی کرده‌اند روابط پراکندگی فونون را با استفاده از یادگیری ماشین پیش‌بینی کنند، اما محاسبات با دقت بالا بسیار زیاد است که مدل‌ها گیر می‌کنند.
اوکابه می‌گوید: «اگر ۱۰۰ پردازنده مرکزی و چند هفته زمان داشته باشید، احتمالاً می‌توانید رابطه پراکندگی فونون را برای یک ماده محاسبه کنید. کل جامعه واقعاً به راهی کارآمدتر برای انجام این کار نیاز دارد.»
منبع:
https://www.sciencedaily.com/releases/2024/07/240726193205.htm
