AI提速数千倍发现降温新材料手机电脑告别发烫

夏天一到，手机、平板电脑动不动就发烫，甚至还会降频卡顿，这事儿大家都不陌生。如何做好电子产品的散热，关键还是取决于材料的选择与性能。

而这一切的起点，是一个更基础的问题：怎样才能精准预测材料的热性能？

简单来说，材料内部搬运热量的主角叫“声子”。它在不同材料界面如何传播、如何碰撞，直接决定了导热性能的优劣。因此，要对热性能做出可靠预测，核心挑战就是对声子之间的散射关系进行精确建模。

好消息是，最近一种全新的AI方法成功破局——预测速度竟然提升了上百倍甚至上千倍。

来自麻省理工学院（MIT）的研究团队，联合其他合作者取得了重大突破。他们设计出一种名为“虚拟节点图神经网络”（VGNN）的机器学习模型。这台模型有多快？哪怕只用一台普通个人电脑，它也能在几秒钟内，完成对几千种材料声子色散关系的计算。

相关论文已经发表在《自然·计算科学》期刊上，标题为“Virtual node graph neural network for full phonon prediction”。

有意思的是，研究还发现，VGNN不仅在声子预测上表现亮眼，在预测电子能带结构、光学吸收峰、磁性等复杂性质方面，也展现出了不小的潜力。

预测速度提升百倍、千倍

先说一个宏观背景：全球产生的能源里，大约有70%最终都变成了废热，白白浪费掉。如果科学家能更清楚地预测热量在半导体和绝缘体中的流动规律，那么设计出更高效率的发电系统就不再是梦想。

但问题在于，材料的热性能建模实在太难了。它受微观结构、原子排列、化学键合等多重因素影响，非线性强，且跨尺度。

传统上，要测量声子散射关系，无论是做实验还是理论计算，设备要求高、流程长、成本大，根本无法实现大规模快速筛选。后来业界开始尝试机器学习，但受限于数据集和建模复杂度，声子预测始终是一块硬骨头。

VGNN的突破在于，它通过引入“虚拟节点”，能够处理可变甚至任意维度的输出特性。换句话说，它可以直接从复杂材料的原子结构里，计算出区域中心的声子能量和完整的声子带结构。这样一来，在更大的材料设计空间里优化声子属性就变成了现实。

图｜VGNN 方法作为增强图神经网络通用方法的概况

具体来看，研究团队提出了三种不同的虚拟节点增强方案：向量虚拟节点（VVN）、矩阵虚拟节点（MVN）和动量相关矩阵虚拟节点（k-MVN）。这三种方案各有侧重：VVN直接从虚拟节点获取声子频谱，但信息传递效率偏低；MVN通过构建虚拟动力矩阵来预测声子能量，处理复杂材料时更稳定；而k-MVN则利用单元格平移生成动量依赖性，能够预测出完整的声子带结构。

实验证明，这三种方法都能成功预测复杂材料中的声子散射关系。

为了测试VGNN的实际性能，研究团队还使用8个GPU在不到5小时内，生成了超过14.6万个预测结果，涉及的材料中单个晶胞最多含有400个原子。

目前，在机器学习领域进行声子预测的主流方法是MLIP，因此研究人员特意将VGNN与它做了对比。

图｜VGNN 和 MLIP 的计算时间运行时间比较

结果如何？VGNN系统性地将预测声子散射关系的速度提升了数百倍到上千倍。背后的原因在于，它用一种直接推断动力学矩阵元素的方法，绕过了MLIP那套“计算力、原子间势的二阶导数、再做傅里叶变换”的繁杂流程，效率自然不可同日而语。

不仅速度快，精度同样在线。VGNN模型在复杂材料性能预测上，精度超过了传统的GNN方法。三种模型在预测热容量方面都表现强劲，其中k-MVN模型的误差最小。

研究团队还特别指出，这种基于物理模型来设计虚拟节点的思路，让模型在处理复杂材料时的外推能力有了显著提升。

图｜k-MVN 预测全声子带结构

尤其是MVN和k-MVN方案，在面对那些拥有数百个原子单位胞的复杂材料时，泛化能力过硬。这也印证了一个思路：在设计虚拟节点的具体方案时，如果能把背后的物理机制吃透，外推能力自然会增强。

即便是复杂的声子带结构，k-MVN模型也能准确预测出声子带的位置和形状，甚至包括不同光学分支之间的间隙。

研究团队还利用虚拟节点GNN计算了高熵合金的声子性质，并为十多万种材料建立了声子散射数据库。这一突破不仅提升了预测效率，也为未来的材料设计和优化打下了坚实基础。

不足与展望

当然，VGNN模型也不是万能的。研究团队坦言，在预测电子能带结构时，k-MVN模型仍然难以捕捉长程相互作用带来的影响。

针对这些问题，团队计划从优化虚拟节点设计和增加训练数据集多样性两方面入手，进一步提升模型性能。

放眼未来，VGNN方法的应用范围可以很广——合金、界面材料、非晶态固体……这些都是潜在的应用场景。更深远的意义在于，这项技术不仅能加速新材料的发现，还会推动能源转换、热能存储、超导材料等前沿领域的进展。

参考链接：

https://www.nature.com/articles/s43588-024-00661-0

https://www.nature.com/articles/s43588-024-00665-w