In un saggio di settembre 2020 in Energia della natura , tre scienziati hanno posto diverse "grandi sfide", una delle quali era quella di trovare materiali adatti per dispositivi di accumulo di energia termica che potessero essere utilizzati insieme ai sistemi di energia solare. casualmente, Mingda Li—il Norman C. Rasmussen Assistant Professor di Scienza e Ingegneria Nucleare al MIT, che dirige il Quantum Matter Group del dipartimento, stava già pensando in modo simile. Infatti, Li e nove collaboratori (del MIT, Laboratorio Nazionale Lawrence Berkeley, e Argonne National Laboratory) stavano sviluppando una nuova metodologia, coinvolgendo un nuovo approccio di apprendimento automatico, ciò renderebbe più veloce e più facile identificare i materiali con proprietà favorevoli per l'accumulo di energia termica e altri usi.

I risultati della loro indagine appaiono questo mese in un documento per Scienze avanzate . "Si tratta di un approccio rivoluzionario che promette di accelerare la progettazione di nuovi materiali funzionali, " commenta il fisico Jaime Fernandez-Baca, un distinto membro dello staff dell'Oak Ridge National Laboratory.

Una sfida centrale nella scienza dei materiali, Li e i suoi coautori scrivono, è "stabilire relazioni struttura-proprietà" - capire le caratteristiche che avrebbe un materiale con una data struttura atomica. La squadra di Li si è concentrata, in particolare, sull'uso della conoscenza strutturale per prevedere la "densità di fononi degli stati, " che ha un impatto critico sulle proprietà termiche.

Per capire quel termine, è meglio iniziare con la parola phonon. "Un materiale cristallino è composto da atomi disposti in una struttura reticolare, " spiega Nina Andrejevic, un dottorato di ricerca studente in scienze e ingegneria dei materiali. "Possiamo pensare a questi atomi come sfere collegate da molle, e l'energia termica fa vibrare le molle. E quelle vibrazioni, che si verificano solo a frequenze o energie discrete [quantizzate], sono ciò che chiamiamo fononi."

La densità fononica degli stati è semplicemente il numero di modi vibrazionali, o fononi, trova all'interno di una data frequenza o intervallo di energia. Conoscendo la densità fononica degli stati, si può determinare la capacità di portare calore di un materiale così come la sua conduttività termica, che si riferisce alla velocità con cui il calore passa attraverso un materiale, e anche la temperatura di transizione del superconduttore in un superconduttore. "Ai fini dell'accumulo di energia termica, vuoi un materiale con un alto calore specifico, il che significa che può assorbire calore senza un brusco aumento della temperatura, " Li dice. "Vuoi anche un materiale con bassa conduttività termica in modo che mantenga il suo calore più a lungo".

La densità fononica degli stati, però, è un termine difficile da misurare sperimentalmente o da calcolare teoricamente. "Per una misura come questa, bisogna andare in un laboratorio nazionale per usare uno strumento grande, lungo circa 10 metri, per ottenere la risoluzione energetica di cui hai bisogno, " dice Li. "Questo perché il segnale che stiamo cercando è molto debole."

"E se vuoi calcolare la densità fononica degli stati, il modo più accurato per farlo si basa sulla teoria della perturbazione funzionale della densità (DFPT), " nota Zhantao Chen, un dottorato di ricerca in ingegneria meccanica alunno. "Ma quei calcoli scalano con il quarto ordine del numero di atomi nel blocco costitutivo di base del cristallo, che potrebbe richiedere giorni di tempo di calcolo su un cluster di CPU." Per le leghe, che contengono due o più elementi, i calcoli diventano molto più difficili, forse impiegando settimane o anche di più.

Il nuovo metodo, dice Li, potrebbe ridurre quelle richieste computazionali a pochi secondi su un PC. Piuttosto che cercare di calcolare la densità fononica degli stati dai primi principi, che è chiaramente un compito laborioso, il suo team ha impiegato un approccio di rete neurale, utilizzando algoritmi di intelligenza artificiale che consentono a un computer di imparare dall'esempio. L'idea era quella di presentare alla rete neurale dati sufficienti sulla struttura atomica di un materiale e la sua densità di stati fononici associati in modo che la rete potesse discernere i modelli chiave che collegano i due. Dopo essersi "allenati" in questo modo, si spera che la rete fornisca previsioni affidabili sulla densità di stati per una sostanza con una data struttura atomica.

Le previsioni sono difficili, Li spiega, perché la densità fononica degli stati non può essere descritta da un singolo numero ma piuttosto da una curva (analoga allo spettro della luce emessa a diverse lunghezze d'onda da un oggetto luminoso). "Un'altra sfida è che abbiamo solo dati affidabili [densità di stati] per circa 1, 500 materiali. Quando abbiamo provato per la prima volta l'apprendimento automatico, il set di dati era troppo piccolo per supportare previsioni accurate."

Il suo gruppo ha poi collaborato con il fisico di Lawrence Berkeley Tess Smidt '12, un co-inventore delle cosiddette reti neurali euclidee. "L'addestramento di una rete neurale convenzionale richiede normalmente set di dati contenenti centinaia di migliaia o milioni di esempi, " dice Smidt. Una parte significativa di quella richiesta di dati deriva dal fatto che una rete neurale convenzionale non capisce che un modello 3D e una versione ruotata dello stesso modello sono correlati e rappresentano effettivamente la stessa cosa. Prima che possa riconoscere modelli 3D -in questo caso, la precisa disposizione geometrica degli atomi in un cristallo:una rete neurale convenzionale deve prima mostrare lo stesso schema in centinaia di orientamenti diversi.

"Poiché le reti neurali euclidee comprendono la geometria e riconoscono che i modelli ruotati "significano" ancora la stessa cosa, possono estrarre la massima quantità di informazioni da un singolo campione, " aggiunge Smidt. Di conseguenza, una rete neurale euclidea addestrata su 1, 500 esempi possono superare una rete neurale convenzionale addestrata su 500 volte più dati.

Utilizzando la rete neurale euclidea, il team ha previsto la densità di fononi degli stati per 4, 346 strutture cristalline. Hanno quindi selezionato i materiali con le 20 capacità termiche più elevate, confrontando la densità prevista dei valori degli stati con quelli ottenuti attraverso calcoli DFPT che richiedono tempo. L'accordo è stato straordinariamente vicino.

L'approccio può essere utilizzato per individuare materiali di accumulo di energia termica promettenti, coerentemente con la già citata "grande sfida, " dice Li. "Ma potrebbe anche facilitare notevolmente la progettazione delle leghe, perché ora possiamo determinare la densità degli stati per le leghe altrettanto facilmente come per i cristalli. Quella, a sua volta, offre un'enorme espansione di possibili materiali che potremmo considerare per l'accumulo termico, così come molte altre applicazioni."

Alcune applicazioni hanno, infatti, già iniziato. Il codice del computer del gruppo MIT è stato installato sulle macchine di Oak Ridge, consentendo ai ricercatori di prevedere la densità fononica degli stati di un dato materiale in base alla sua struttura atomica.

Andrejevic sottolinea, Inoltre, che le reti neurali euclidee hanno un potenziale ancora più ampio che non è ancora stato sfruttato. "Possono aiutarci a capire importanti proprietà dei materiali oltre alla densità fononica degli stati. Quindi questo potrebbe aprire il campo in grande stile".

Questa storia è stata ripubblicata per gentile concessione di MIT News (web.mit.edu/newsoffice/), un popolare sito che copre notizie sulla ricerca del MIT, innovazione e didattica.