Caltech bilim adamları, malzemelerde meydana gelen kuantum etkileşimlerinin hesaplamalarını önemli ölçüde hızlandıran yapay zeka (AI) bazlı bir yöntem geliştirdiler. Yeni çalışmada, grup atomik titreşimler veya fononlar arasındaki etkileşimlere odaklanıyor – ısı taşıma, termal genleşme ve faz geçişleri dahil olmak üzere çok çeşitli malzeme özelliklerini yöneten etkileşimler. Yeni makine öğrenimi yaklaşımı, tüm kuantum etkileşimlerini hesaplamak için genişletilebilir ve potansiyel olarak parçacıkların ve uyarıların malzemelerde nasıl davrandığı hakkında ansiklopedik bilgileri sağlar.
Caltech’te Uygulamalı Fizik, Fizik ve Malzeme Bilimi Profesörü Marco Bernardi ve lisansüstü öğrencisi Yao Luo (MS ’24) gibi bilim adamları, bu tür parçacık etkileşimlerini gerçek malzemelerdeki ilk prensiplerden anlamak için gerekli olan devasa hesaplamaları hızlandırmanın yollarını bulmaya çalışıyorlar.
Geçen yıl, Bernardi ve Luo, bilim adamlarının bir malzemedeki elektronlar ve fononlar arasındaki etkileşimleri temsil etmek için kullandıkları muazzam matematiksel matrisleri basitleştirmek için tekil değer ayrışması (SVD) adı verilen bir tekniğe dayanan veri odaklı bir yöntem geliştirdiler.
Fonon etkileşimleri örneği daha da karmaşıktır. Bu etkileşimler, tensörler adı verilen çok boyutlu nesneler, daha yüksek boyutlardaki vektörlerin ve matrislerin genelleştirilmesinde kodlanır. Bu tensörlerin karmaşıklığı, ilgili parçacık sayısı ile katlanarak büyür ve bilim adamlarının üç veya daha fazla fonon içeren etkileşimleri anlamalarını sınırlar.
Şimdi, makine öğrenimindeki son gelişmelerden esinlenen Bernardi ve Luo, bir malzemede fonon etkileşimlerini kodlayan ve sadece termal taşınmayı açıklayan hesaplamaları tamamlamak için gereken önemli bitleri çıkaran yüksek dereceli tensörlerden geçen AI tabanlı bir teknik geliştirmiştir. Çalışmayı dergide görünen bir makalede tarif ediyorlar Fiziksel İnceleme Mektupları.
Mevcut son teknoloji teknikleri kullanan bir süper bilgisayar, bir malzemede üç veya dört fonon arasındaki etkileşimleri hesaplamak için saatler veya günler sürer. Yeni yöntem, bilgisayarların doğruluğu korurken aynı termal taşıma ve fonon dinamiği hesaplamalarını 1.000 ila 10.000 kat daha hızlı tamamlamasını sağlar.
Bernardi, “Dört fonlu etkileşimler için hesaplamalar bir kabus.” Diyor. “Karmaşık malzemeler için, bu görev haftalarca süren hesaplamaları içerecektir. Şimdi bunları 10 saniye içinde yapabiliriz.”
Bernardi yöntem hakkında daha fazla şey açıklıyor:
“Candecomp/parafac tensör ayrışması adı verilen bir makine öğrenme tekniği kullanıyoruz, ancak bu özel fiziksel sorunun simetrisini karşılamak için uyarlamamız gerekiyordu. Önce bir sinir ağı kurup GPU’lar üzerinde çalıştırıp şunu sorduk: ‘Bu fonon etkileşimlerini tanımlayan gerçek tensörü tahmin etmek için en iyi işlevler nelerdir?’
“Tutmak istediğimiz ürün terimlerinin sayısını düzelttikten sonra, makine öğrenimi süreci tam tensöre yaklaşmak için en iyi işlevleri döndürür. Tipik olarak bu ürünlerden sadece birkaçına ihtiyacımız var, tam tensörü kullanmaya kıyasla hesaplama karmaşıklığındaki büyüklükten tasarruf sağlıyoruz. Bu yöntem, fonon etkileşimlerinin sıkıştırılmış formunu öğrenmemize izin veriyor ve bu son derece sıkıştırılabilirleri kullanabiliriz.
Bernardi, yeni yöntemin, malzeme topluluğunda büyük bir çaba olan büyük malzeme veritabanlarında termal fizik ve ısı taşımacılığının yüksek verimli taraması için çok uygun olduğunu ekliyor. Gelecekteki çalışmalara gelince, “Şu anda vizyonum, benzer tekniklere sahip malzemelerdeki tüm farklı kuantum etkileşimlerini ve yüksek dereceli süreçleri sıkıştırmaktır. Anahtar, büyük tensörlerin oluşumunu tamamen atlamak ve etkileşimleri doğrudan sıkıştırılmış biçimde öğrenmek olacaktır.”
Makale “N-fonon etkileşimlerinin tensör öğrenmesi ve sıkıştırılması” başlıklı. Ek yazarlar, Bernardi’nin laboratuvarında sörf öğrencisi olarak projede çalışan Dhruv Mangtani; Doktora sonrası araştırma görevlisi Shiyu Peng; ve Caltech lisansüstü öğrencileri Jia Yao (MS ’25) ve Sergei Kliavinek.
