AI方法加速材料热性能预测

麻省理工学院的研究人员开发了一种新的AI方法来预测材料的导热性能，特别是通过声子（亚原子粒子）的热传递方式。这对于设计高效的能源系统至关重要，因为全球70%的能源最终以废热的形式浪费。

挑战在于预测声子色散关系，这是晶体结构中能量和动量的复杂度量。传统的预测方法，无论是基于AI还是非AI，都计算缓慢且资源密集。

新方法，即虚拟节点图神经网络（VGNN），引入了灵活的虚拟节点来表示声子。这种方法比其他AI方法快1,000倍，比非AI方法快100万倍，同时保持了预测的准确性。

VGNN通过使用虚拟节点简化了复杂的计算，从而能够快速估算声子色散关系。这种效率使得可以更广泛地搜索具有特定热性能的材料，如优异的热存储或超导性。

该方法不仅限于预测热性能；它还能预测光学和磁性等具有挑战性的性能。未来的改进旨在提高虚拟节点对细微结构变化的敏感性。

总的来说，VGNN代表了材料科学领域的一项重大进步，提供了一种更快、更高效的方法来预测和利用材料性能。