导读 在2020年9月的《自然能源》一文中，三位科学家提出了几个巨大挑战，其中之一是寻找适合与太阳能系统配合使用的热能存储设备的材料。幸运的

在2020年9月的《自然能源》一文中，三位科学家提出了几个“巨大挑战”，其中之一是寻找适合与太阳能系统配合使用的热能存储设备的材料。幸运的是，李明达(Mingda Li)-麻省理工学院量子物质小组的负责人，麻省理工学院核科学与工程系的诺曼·拉斯穆森助理教授–已经在考虑类似的思路。实际上，Li和9位合作者(来自MIT，Lawrence Berkeley国家实验室和Argonne国家实验室)正在开发一种新方法，其中涉及一种新颖的机器学习方法，这将使识别具有良好热学性质的材料的过程变得更快，更容易。能量存储和其他用途。

他们的调查结果发表在本月的“高级科学”论文中。Oak Ridge国家实验室的杰出物理学家Jaime Fernandez-Baca评论说：“这是一种革命性的方法，有望加快新型功能材料的设计。”

李和他的合著者写道，材料科学的一个中心挑战是“建立结构-特性关系”，以找出具有给定原子结构的材料所具有的特性。Li的团队尤其专注于使用结构知识来预测“声子 密度”，这对热学性能有着至关重要的影响。

要理解该术语，最好以声子一词开头。博士Nina Andrejevic解释说：“一种晶体材料由排列成晶格结构的原子组成。” 材料科学与工程专业的学生。“我们可以将这些原子视为由弹簧连接的球体，热能使弹簧振动。那些仅在离散的(量化的)频率或能量处发生的振动被称为声子。”

状态的声子密度只是在给定的频率或能量范围内发现的振动模式或声子的数量。知道了声子的状态密度，就可以确定材料的载热能力及其导热系数，导热系数与热量通过材料的难易程度甚至超导体中的超导转变温度有关。Li说：“出于储热的目的，您需要一种具有高比热的材料，这意味着它可以吸收热量而温度不会急剧上升。” “您还需要一种导热率低的材料，以便保留更长的热量。”

但是，状态的声子密度是一个很难通过实验测量或理论计算的术语。“为了进行这样的测量，必须去一个国家实验室使用大约10米长的大型仪器，才能获得所需的能量分辨率，”李说。“那是因为我们正在寻找的信号非常微弱。”

“如果要计算状态的声子密度，则最精确的方法取决于密度泛函扰动理论(DFPT)，”机械工程学博士Chen Zhantao Chen指出。学生。“但是这些计算与晶体基本构件中原子数量的四阶有关，这可能需要几天的CPU集群计算时间。” 对于包含两种或两种以上元素的合金，计算变得更加困难，可能需要数周甚至更长的时间。

李说，新方法可以在PC上将这些计算需求减少到几秒钟。他的团队没有尝试根据第一原理来计算状态的声子密度，这显然是一项艰巨的任务，而是采用了神经网络方法，利用人工智能算法使计算机可以从示例中学习。想法是向神经网络提供有关材料原子结构及其相关声子密度的足够数据，以使神经网络可以识别连接两者的关键模式。在以这种方式进行“训练”之后，该网络有望对具有给定原子结构的物质进行可靠的状态密度预测。

李解释说，预测是困难的，因为状态的声子密度不能用一个数字来描述，而不能用曲线来描述(类似于发光物体在不同波长下发出的光的光谱)。“另一个挑战是，我们仅拥有约1,500种材料的可信赖的[状态密度]数据。当我们首次尝试机器学习时，该数据集太小而无法支持准确的预测。”

然后，他的小组与劳伦斯·伯克利(Lawrence Berkeley)物理学家Tess Smidt '12(所谓的欧几里得神经网络的共同发明者)合作。“训练常规的神经网络通常需要包含数十万到数百万个示例的数据集，” Smidt说。数据需求的很大一部分来自于这样一个事实，即传统的神经网络无法理解3D模式和同一模式的旋转版本是相关的，并且实际上代表着相同的事物。在它可以识别3D模式(在这种情况下，是晶体中原子的精确几何排列)之前，首先需要向传统的神经网络显示数百种不同方向的相同模式。

Smidt补充说：“由于欧几里得神经网络了解几何形状，并且认识到旋转模式仍然“意味着”同样的事情，因此它们可以从单个样本中提取最大量的信息。结果，在1,500个示例上训练的欧几里得神经网络可以胜过在500倍以上的数据上训练的传统神经网络。

研究小组使用欧氏神经网络预测了4,346个晶体结构的声子密度。然后，他们选择了具有20种最高热容量的材料，将预测的状态密度值与通过耗时的DFPT计算获得的状态值进行了比较。该协议非常接近。

李说，该方法可用于挑选有前途的储热材料，以应对上述“巨大挑战”。“但是它也可以极大地方便合金设计，因为我们现在可以像确定晶体一样轻松地确定合金的状态密度。这反过来又为我们可以考虑用于热存储的材料提供了巨大的扩展。许多其他应用程序。”

实际上，一些应用程序已经开始。麻省理工学院研究小组的计算机代码已安装在Oak Ridge的机器上，使研究人员能够根据原子结构预测给定材料的声子密度。

此外，安德列耶维奇(Andrejevic)指出，欧氏神经网络具有尚未开发的更广泛的潜力。“它们可以帮助我们找出状态的声子密度以外的重要材料特性。因此，这可以极大地开拓这一领域。”