Se estima que aproximadamente el 70 por ciento de la energía generada en todo el mundo termina como calor residual.
Si los científicos pudieran predecir mejor cómo se desplaza el calor a través de semiconductores y aislantes, podrían diseñar sistemas de generación de energía más eficientes. Sin embargo, las propiedades térmicas de los materiales pueden ser extremadamente difíciles de modelar.
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 obtener, y mucho más de utilizar en el diseño de un sistema.
Un equipo de investigadores del MIT y de otros centros abordó este desafío replanteando el problema desde cero. El resultado de su trabajo es un nuevo marco de aprendizaje automático que puede predecir relaciones de dispersión de fonones hasta 1000 veces más rápido que otras técnicas basadas en IA, con una precisión comparable o incluso mejor. En comparación con los enfoques más tradicionales no basados en IA, podría ser un millón de veces más rápido.
Este método podría ayudar a los ingenieros a diseñar sistemas de generación de energía que produzcan más energía de manera más eficiente. También podría utilizarse para desarrollar una microelectrónica más eficiente, ya que la gestión del calor sigue siendo un importante obstáculo para acelerar la electrónica.
“Los fonones son los culpables de la pérdida térmica, pero obtener sus propiedades es notoriamente difícil, ya sea computacional o experimentalmente”, dice Mingda Li, profesora asociada de ciencia e ingeniería nuclear y autora principal de un artículo sobre esta técnica.
Li colabora en el artículo con los coautores principales Ryotaro Okabe, estudiante de posgrado en química; y Abhijatmedhi Chotrattanapituk, estudiante de posgrado en ingeniería eléctrica y ciencias de la computación; Tommi Jaakkola, profesor Thomas Siebel de ingeniería eléctrica y ciencias de la computación en el MIT; así como otros investigadores del 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. La investigación aparece en Naturaleza Ciencia Computacional.
Predicción de fonones
Los fonones transportadores de calor son difíciles de predecir porque tienen un rango de frecuencia extremadamente 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 las relaciones de dispersión de fonones mediante 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 quiere una forma más eficiente de hacerlo”, dice Okabe.
Los modelos de aprendizaje automático que los científicos suelen utilizar para estos cálculos se conocen como redes neuronales gráficas (GNN). Una GNN convierte la estructura atómica de un material en un gráfico cristalino que comprende múltiples nodos, que representan átomos, conectados por aristas, que representan el enlace interatómico entre átomos.
Si bien las GNN funcionan bien para calcular muchas magnitudes, como la magnetización o la polarización eléctrica, no son lo suficientemente flexibles como para predecir de manera eficiente una magnitud de dimensiones extremadamente altas como la relación de dispersión de fonones. Debido a que los fonones pueden viajar alrededor de átomos en los ejes X, Y y Z, su espacio de momento es difícil de modelar con una estructura gráfica fija.
Para obtener la flexibilidad que necesitaban, Li y sus colaboradores idearon nodos virtuales.
Crean lo que llaman una red neuronal con grafo de nodos virtuales (VGNN) añadiendo una serie de nodos virtuales flexibles a la estructura cristalina fija para representar fonones. Los nodos virtuales permiten que la salida de la red neuronal varíe de tamaño, por lo que no está restringida por la estructura cristalina fija.
Los nodos virtuales están conectados al gráfico de tal manera que solo pueden recibir mensajes de nodos reales. Si bien 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 la codificación. Simplemente se generan unos pocos nodos más en la red neuronal global. La ubicación física no importa y los nodos reales ni siquiera saben que los nodos virtuales están allí”, afirma Chotrattanapituk.
Eliminando la complejidad
Dado que tiene nodos virtuales para representar fonones, el VGNN puede omitir muchos cálculos complejos al estimar las relaciones de dispersión de fonones, lo que hace que el método sea más eficiente que un GNN estándar.
Los investigadores propusieron tres versiones diferentes de VGNN con una complejidad creciente. Cada una de ellas puede utilizarse para predecir fonones directamente a partir de las coordenadas atómicas de un material.
Debido a que su método tiene la flexibilidad de modelar rápidamente propiedades de alta dimensión, pueden usarlo para estimar relaciones de dispersión de fonones en sistemas de aleación. Estas combinaciones complejas de metales y no metales son especialmente desafiantes para los métodos tradicionales de modelado.
Los investigadores también descubrieron que las VGNN ofrecían una precisión ligeramente mayor a la hora de predecir la capacidad térmica de un material. En algunos casos, los errores de predicción eran dos órdenes de magnitud menores con esta técnica.
Li afirma que una VGNN podría utilizarse para calcular relaciones de dispersión de fonones para unos pocos miles de materiales en tan solo unos segundos con una computadora personal.
Esta eficiencia podría permitir a los científicos buscar en un espacio más grande cuando busquen materiales con ciertas propiedades térmicas, como almacenamiento térmico superior, conversión de energía o superconductividad.
Además, la técnica del nodo virtual no es exclusiva de los fonones y también podría utilizarse para predecir propiedades ópticas y magnéticas desafiantes.
En el futuro, los investigadores quieren perfeccionar la técnica para que los nodos virtuales tengan una mayor sensibilidad para capturar pequeños cambios que puedan afectar la estructura de los fonones.
“Los investigadores se han acostumbrado demasiado a utilizar nodos de grafos para representar átomos, pero podemos replantearnos esa idea. Los nodos de grafos pueden ser cualquier cosa, y los nodos virtuales son un enfoque muy genérico que se puede utilizar para predecir muchas cantidades de alta dimensión”, afirma Li.
“El enfoque innovador de los autores aumenta significativamente la descripción de los sólidos mediante redes neuronales gráficas al incorporar elementos clave basados en la física a través de nodos virtuales, por ejemplo, informando sobre estructuras de bandas dependientes del vector de onda y matrices dinámicas”, dice Olivier Delaire, profesor asociado en el Departamento Thomas Lord de Ingeniería Mecánica y Ciencia de los Materiales de la Universidad de Duke, que no participó en este trabajo. “Creo que el nivel de aceleración en la predicción de propiedades complejas de fonones es asombroso, varios órdenes de magnitud más rápido que un potencial interatómico de aprendizaje automático universal de última generación. Es impresionante que la red neuronal avanzada capture características finas y obedezca reglas físicas. Existe un gran potencial para expandir el modelo para describir otras propiedades importantes de los materiales: me vienen a la mente los espectros electrónicos, ópticos y magnéticos y las estructuras de bandas”.
Este trabajo cuenta con el apoyo del Departamento de Energía de EE. UU., la Fundación Nacional de Ciencias, una beca Mathworks, una beca Sow-Hsin Chen, la Iniciativa Cuántica de Harvard y el Laboratorio Nacional de Oak Ridge.
