夏が暑すぎる場合はどうすればいいですか? AI により「冷却」材料の発見が数千倍も高速化され、携帯電話やコンピューターが再び熱くなることはなくなるかもしれません

暑い夏になると、スマートフォンやタブレットなどの電子機器は「過熱」により性能や安全性に問題が生じることが多くなります。材料は、より優れた放熱性を備えた電子製品を設計するための鍵となります。

重要なステップは、材料の熱特性を正確に予測することです。

物質内で熱を輸送する主な媒体はフォノンであり、界面におけるフォノンの輸送と散乱のメカニズムによって物質の熱伝導率が決まります。したがって、フォノン散乱関係を正確にモデル化することが、材料の熱特性を予測する鍵となります。

現在、新しい人工知能 (AI) 手法により、従来の機械学習モデルと比較して、材料の熱特性の予測が数百倍から数千倍も大幅に加速されています。

最近、マサチューセッツ工科大学（MIT）の研究チームとその協力者がこの分野で重要な進歩を遂げました。彼らは、「仮想ノードグラフニューラルネットワーク」(VGNN) と呼ばれる新しい機械学習モデルを設計しました。 VGNN は、パソコン上で数千種類の材料のフォノン分散関係の計算をわずか数秒で完了できます。

「完全なフォノン予測のための仮想ノードグラフニューラルネットワーク」と題された関連研究論文が、科学誌「Nature Computational Science」に掲載されました。

研究では、VGNN はフォノンの予測に成功しただけでなく、電子バンド構造、光吸収ピーク、磁性など、他の複雑な材料特性の予測にも一定の可能性を示していることがわかりました。

予測速度が100倍、1,000倍に向上

世界中で生成されるエネルギーの約70% が廃熱として廃棄されていると推定されています。

科学者が半導体や絶縁体を通して熱がどのように移動するかをより正確に予測できれば、より効率的な発電システムを設計できるようになります。しかし、材料の熱特性をモデル化するのは非常に困難です。

材料の熱特性は、材料の微細構造、原子配列、化学結合などの多くの複雑な要因の影響を受け、その熱特性は高度に非線形かつマルチスケールです。

材料の熱特性の予測は、主にフォノン散乱関係の測定に依存します。従来の実験測定および理論計算方法は、実験装置と操作に対する要件が高く、時間とコストがかかり、迅速な予測と大規模なスクリーニングのニーズを満たすことができません。

機械学習を用いて材料特性を予測する場合、フォノン散乱関係の測定およびモデリングのプロセスは、実験測定や計算モデリングなどの要因により非常に複雑であり、正確な予測が困難なのが現状です。

この研究では、VGNN は仮想ノードを導入することで可変または任意の次元の出力特性を処理できるため、複雑な材料の原子構造から地域中心フォノンエネルギーと完全なフォノンバンド構造を直接計算し、より大きな構造設計空間でフォノン特性の最適化を実現します。

図 |グラフニューラルネットワークを強化するための一般的な方法としてのVGNN法の概要

具体的には、研究チームは、ベクトル仮想ノード (VVN)、マトリックス仮想ノード (MVN)、運動量相関マトリックス仮想ノード (k-MVN) という 3 つの異なる仮想ノード強化スキームを提案しました。

VVN 方式は仮想ノードからフォノンスペクトルを直接取得しますが、情報伝送にボトルネックがあります。 MVN 方式は、仮想動的行列を構築することによってフォノンエネルギーを予測し、複雑な材料の熱特性を確実に予測することができます。 k-MVN 方式では、単位セルの移動を使用して運動量依存性を生成し、完全なフォノンバンド構造を取得します。

結果は、これらの方法がすべて複雑な材料におけるフォノン散乱関係を正確に予測できることを示しています。

VGNN モデルのパフォーマンスをテストするために、研究チームは、8 つの GPU を使用して、1 つのユニット セルに最大 400 個の原子を含む材料を対象に、5 時間未満で 146,000 件を超える予測を生成する一連の実験を設計しました。

現在、MLIPは機械学習の分野でフォノン予測の主な方法であるため、研究者らは実験においてVGNNとMLIPの性能を精度と効率の観点から比較した。

図｜VGNNとMLIPの計算時間と実行時間の比較

実験結果によると、VGNN はフォノン拡散関係の予測を数百から数千倍体系的に高速化します。研究者らは、VGNNは力学行列の要素を直接推測する独自の方法を使用し、MLIP計算プロセスで使用される力の計算、原子間ポテンシャルの2次導関数、フーリエ変換の手順をバイパスし、予測効率を大幅に向上させたと述べた。

さらに、VGNN モデルは、複雑な材料特性を予測する精度において従来の GNN 方式を上回るだけでなく、計算効率も大幅に向上します。 3 つのモデルはすべて熱容量の予測において優れた性能を示し、k-MVN モデルの誤差は最も小さくなります。

研究チームはまた、物理モデルに基づいた仮想ノード追加方式を採用することで、複雑な材料を扱う際のモデルの外挿能力が大幅に向上したと指摘した。

図｜k-MVNは音響サブバンド構造全体を予測する

MVN および k-MVN スキームは、数百の原子単位セルを持つ複雑な材料において優れた一般化機能を示しており、仮想ノード追加スキームを設計する際に問題の物理的基礎を慎重に考慮することで、モデルの外挿能力を強化できることも示しています。

この研究は、フォノンバンド構造の一般的な複雑さにもかかわらず、k-MVN モデルは、異なる光学分岐間のギャップなど、フォノンバンドの位置と形状を予測できることを示しています。

研究チームはまた、仮想ノードGNNを使用して高エントロピー合金のフォノン特性を計算し、10万を超える材料のフォノン散乱データベースを確立しました。この画期的な成果は、フォノン予測の効率と精度を大幅に向上させるだけでなく、将来の材料設計と最適化のための強力なツールも提供します。

欠点と展望

VGNNモデルは材料の熱特性を予測する上で大きな可能性を示しているが、研究チームはまた、k-MVNモデルでは電子バンド構造を予測する際に長距離相互作用の影響を捉えることが依然として難しいと述べた。

これらの問題に対処するため、研究チームは仮想ノードの設計を最適化し、トレーニングデータセットの多様性を高めることで、モデルのパフォーマンスをさらに向上させる予定です。

今後、VGNN法は合金、界面、非晶質固体材料の最適化設計など、より幅広い材料予測分野への応用が期待されます。さらに、この技術は、新素材の発見と応用を加速させるだけでなく、エネルギー変換、熱エネルギー貯蔵、超伝導材料などのハイテク分野の発展も促進するでしょう。