共计 1397 个字符，预计需要花费 4 分钟才能阅读完成。
受机器学习最新进展的启发，加州理工学院的科学家们开发了一种基于 AI 的技术，能够筛选出材料中编码声子相互作用的高阶张量，并提取出完成热传输计算所需的关键部分。
加州理工学院的科学家们开发了一种基于人工智能（AI）的方法，显著加快了材料中量子相互作用的计算速度。在这项新工作中，研究小组专注于原子振动或声子之间的相互作用，这些相互作用控制着材料的多种特性，包括热传输、热膨胀和相变。这种新的机器学习方法可以扩展到计算所有量子相互作用，从而可能获得关于粒子和激发在材料中行为的百科全书式知识。
- 
- 
加州理工学院应用物理学、物理学和材料科学教授 Marco Bernardi 及其研究生 Yao Luo（MS ’24）等科学家一直在努力寻找方法，以加快理解实际材料中粒子相互作用所需的巨大计算量。去年，Bernardi 和 Luo开发了一种基于奇异值分解（SVD）技术的数据驱动方法，以简化科学家用来表示材料中电子和声子相互作用的巨大数学矩阵。
声子相互作用的情况更为复杂。这些相互作用被编码在称为张量的多维对象中，张量是向量和矩阵在高维中的推广。这些张量的复杂性随着参与粒子数量的增加呈指数级增长，限制了科学家对涉及三个或更多声子的相互作用的理解。
现在，受机器学习最新进展的启发，Bernardi 和 Luo 开发了一种基于 AI 的技术，能够筛选出材料中编码声子相互作用的高阶张量，并提取出完成热传输计算所需的关键部分。他们在《物理评论快报》上发表的一篇 论文 中描述了这项工作。
使用当前最先进的技术，超级计算机需要数小时或数天来计算材料中三个或四个声子之间的相互作用。新方法使计算机能够以 1000 到 10000 倍的速度完成相同的热传输和声子动力学计算，同时保持准确性。
“四声子相互作用的计算是一场噩梦，”Bernardi 说。“对于复杂材料，这项任务将涉及数周的计算。现在我们可以在 10 秒内完成。”
Bernardi 进一步解释了该方法：“我们使用了一种称为 CANDECOMP/PARAFAC 张量分解的机器学习技术，但我们必须对其进行调整以满足这一特定物理问题的对称性。我们首先设置一个神经网络，然后在 GPU 上运行它，并问：‘什么是最好的函数来近似描述这些声子相互作用的实际张量？’一旦我们确定了要保留的乘积项数量，机器学习过程就会返回最佳函数来近似完整张量。我们通常只需要其中几个乘积，与使用完整张量相比，计算复杂性大大降低。这种方法使我们能够学习声子相互作用的压缩形式，我们仍然可以使用这些高度压缩的张量来计算所有感兴趣的观测值，并保持相同的准确性。”
Bernardi 补充说，新方法非常适合在大规模材料数据库中进行热物理和热传输的高通量筛选，这是材料科学界的一项主要工作。至于未来的工作，他表示：“我现在的愿景是用类似的技术压缩材料中所有不同类型的量子相互作用和高阶过程。关键是完全绕过大张量的形成，直接在压缩形式中学习相互作用。”
这篇论文的标题是“N- 声子相互作用的张量学习与压缩”。其他作者包括在 Bernardi 实验室作为 SURF 学生参与该项目的 Dhruv Mangtani；博士后研究员 Shiyu Peng；以及加州理工学院的研究生 Jia Yao（MS ’25）和 Sergei Kliavinek。该工作得到了美国国家科学基金会和 Eddleman Fellowship 的资助。研究使用了美国能源部科学办公室用户设施国家能源研究科学计算中心的资源。
