人工智能方法极大地加快了对材料热性能的预测。

麻省理工学院和其他机构的研究人员开发了一种人工智能方法，能够将材料热性能预测的速度提高至传统方法的100万倍。这项由Mingda Li副教授领导的创新，通过引入虚拟节点到图神经网络，不仅加快了预测过程，还提高了预测热容量的准确性。这种方法对于设计高效能源发电系统和微电子设备至关重要，因为它们能够有效管理热量。此外，该技术还可以用于寻找具有特定热性能的材料，并有潜力预测材料的光学和磁性特性。这项由美国能源部、国家科学基金会等机构支持的研究，是计算材料科学领域的一大进步，为材料性能预测和设计提供了更高效的路径。- 研究人员开发了一种机器学习框架，可以比其他人工智能方法快1000倍地预测材料的热传导性质。 - 这种方法可以帮助科学家改进能源发电系统和微电子设备的效率。 - 研究人员通过重新思考问题，提出了一种新的机器学习框架，可以比其他基于人工智能的技术快1000倍地预测声子色散关系。 - 这种方法可以帮助工程师设计更高效的能源发电系统和微电子设备。 - 该方法还可以用于预测光学和磁性性质。 - 这项研究得到了美国能源部、国家科学基金会、Mathworks奖学金、Sow-Hsin Chen奖学金、哈佛量子计划和奥克里奇国家实验室的支持。