详细内容或原文请订阅后点击阅览
AI 方法从根本上加快了材料热性能的预测
该方法可以帮助工程师设计更高效的能量转换系统和更快的微电子设备，从而减少废热。
来源:MIT新闻 - 人工智能据估计，全球约 70% 的能源最终都变成了废热。
如果科学家能够更好地预测热量如何通过半导体和绝缘体，他们就可以设计出更高效的发电系统。然而，材料的热性能可能极难建模。
问题来自声子，它们是携带热量的亚原子粒子。一些材料的热性能取决于一种称为声子色散关系的测量值，这种测量值很难获得，更不用说在系统设计中使用了。
来自麻省理工学院和其他地方的一组研究人员通过从头开始重新思考这个问题来解决这一挑战。他们的工作成果是一个新的机器学习框架，它可以比其他基于人工智能的技术快 1,000 倍地预测声子色散关系，并且具有相当甚至更好的准确性。与更传统的非基于人工智能的方法相比，它可能快 100 万倍。
这种方法可以帮助工程师设计出更高效地产生更多电力的发电系统。它还可用于开发更高效的微电子器件，因为热量管理仍然是加快电子器件速度的主要瓶颈。
“声子是造成热损失的罪魁祸首，但无论是从计算还是实验角度，获得它们的特性都是非常困难的，”核科学与工程副教授、该技术论文的资深作者李明达说。
发表在《自然计算科学》上 《自然计算科学》 。预测声子
预测声子载热声子很难预测，因为它们的频率范围非常广，而且粒子相互作用并以不同的速度传播。
“如果你有 100 个 CPU 和几周时间，你大概就能计算出一种材料的声子色散关系。整个社区都希望找到一种更有效的方法来做这件事，”Okabe 说。
消除复杂性