Onderzoekers van het California Institute of Technology (Caltech) hebben een nieuwe methode ontwikkeld met kunstmatige intelligentie (AI) om quantumtrillingen – zogeheten fononen – in materialen veel sneller te berekenen. Fononen zijn collectieve trillingspatronen van atomen in een materiaal, en hun interacties zijn cruciaal voor eigenschappen zoals warmtegeleiding, thermische uitzetting en zelfs hoe materialen van fase veranderen.
Machine learning unravels quantum atomic vibrations in materialsCaltech scientists have developed an artificial intelligence (AI)–based method that dramatically speeds up calculations of the quantum interactions that take place in materials. In new work, the group focuses on interactions among atomic vibrations, or phonons—interactions that govern a wide range of material properties, including heat transport, thermal expansion, and phase transitions. The new machine learning approach could be extended to compute all quantum interactions, potentially enabling encyclopedic knowledge about how particles and excitations behave in materials. |
De uitdaging: Complexiteit van fonon-interacties
Traditionele berekeningen van fonon-interacties – zeker wanneer drie of vier fononen tegelijk in beeld komen – vereisen zware rekenkracht. De wiskundige objecten (zogeheten tensoren) die al deze interacties bevatten, groeien exponentieel naarmate je meer deeltjes betrekt. Daardoor kunnen sommige berekeningen dagen of zelfs weken duren.
De doorbraak: AI + tensorcompositie
De onderzoekers, geleid door professor Marco Bernardi en PhD-student Yao Luo, pasten een combinatie toe van AI en een geavanceerde tensorcompositie-methode (CANDECOMP/PARAFAC), aangepast zodat hij rekening houdt met de symmetrieën die gelden voor deze fysische problemen. Ze stelden een neuraal netwerk in om alleen de essentiële delen van de grote tensor te vinden – genoeg om nauwkeurige berekeningen te doen, maar zonder alles te hoeven verwerken. Dat scheelt enorm in rekentijd.
Wat dit betekent: Duizend keer sneller, nog steeds nauwkeurig
Met de nieuwe methode kunnen berekeningen van fonon-dynamica en warmteoverdracht 1.000 tot 10.000 keer sneller uitgevoerd worden dan met de huidige supercomputer-methoden, zonder noemenswaardig verlies van precisie. Voor interacties met vier fononen kon iets wat vroeger weken duurde nu in seconden worden afgerond. Daarmee openen zich nieuwe mogelijkheden voor grootschalig materiaalonderzoek waarbij enorme datasets en complexe quantumsystemen betrokken zijn.
Blik vooruit: wat komt er nu?
Bernardi en collega’s zien dit als een eerste stap. Hun ambitie is om vergelijkbare methodes te ontwikkelen voor allequantuminteracties in materialen, en om te ontsnappen aan het steeds groter worden van tensorrepresentaties. Uiteindelijk willen ze deze oplossingen gebruiken voor grootschalige screenings van materialen, bijvoorbeeld om te ontdekken welke materialen het beste warmte geleiden of welke het meest stabiel zijn bij temperatuurwisselingen.
