Науковці створили революційний штучний інтелект, що переміщує тепло у 1 000 000 разів швидше за традиційні методи

Медіа Inter­est­ing Engi­neer­ing інформує: новий науковий підхід у машинному навчанні може кардинально змінити ефективність енергетичних систем, прогнозуючи рух тепла через напівпровідники та ізолятори з безпрецедентною швидкістю та точністю.

Команда інженерів з Массачусетського технологічного інституту (MIT) розробила нову систему машинного навчання, яка прогнозує рух тепла до 1,000 000 разів швидше, ніж чинні методи штучного інтелекту, і до 1 мільйона разів швидше, ніж традиційні методи. Інноваційний підхід, описаний у статті в журналі Nature Com­pu­ta­tion­al Sci­ence, обіцяє зробити системи генерації енергії та мікроелектроніки більш ефективними, адже управління теплом завжди було значним викликом у цих галузях.

“Фонони є причиною теплових втрат, але отримання їх властивостей є надзвичайно складним завданням, як з обчислювального, так і з експериментального погляду”, — пояснює Мінде Лі, доцент ядерної науки та інженерії в MIT і старший автор статті.

“Ми робимо це дуже ефективно за допомогою кодування. Ви просто додаєте кілька додаткових вузлів до вашої GNN. Фізичне розташування не має значення, і реальні вузли навіть не знають про існування віртуальних вузлів”, — зазначає Абхіджатмедхі Чотраттанапітак, аспірант MIT і співавтор статті.

Революційна методика науковців може швидко оцінювати фононні дисперсійні залежності та пропонує більшу точність у прогнозуванні тепломісткості матеріалу. Це дозволяє обчислювати фононні дисперсійні залежності для тисяч матеріалів за лічені секунди на персональному комп’ютері. Своєю чергою, це може прискорити відкриття матеріалів з покращеними тепловими властивостями.

Дослідники планують удосконалити свою методику, підвищуючи чутливість віртуальних вузлів для вловлювання найменших змін, що впливають на структури фононів. Ця інноваційна методика не лише обіцяє підвищення енергоефективності, але й відкриває нові можливості в дослідженні оптичних і магнітних властивостей, потенційно змінюючи багато галузей матеріалознавства.