Científicos de Caltech han desarrollado un método basado en inteligencia artificial (IA) que acelera drásticamente los cálculos de las interacciones cuánticas que ocurren en los materiales. En un nuevo trabajo, el grupo se centra en las interacciones entre vibraciones atómicas, o fonones, interacciones que rigen una amplia gama de propiedades de los materiales, como el transporte de calor, la expansión térmica y las transiciones de fase. El nuevo enfoque de aprendizaje automático podría extenderse para calcular todas las interacciones cuánticas, lo que potencialmente permitiría un conocimiento enciclopédico sobre el comportamiento de las partículas y las excitaciones en los materiales.
Científicos como Marco Bernardi, profesor de física aplicada, física y ciencia de los materiales en Caltech, y su estudiante de posgrado Yao Luo (licenciatura en ciencias, 2024) han estado buscando maneras de agilizar los cálculos complejos necesarios para comprender estas interacciones de partículas desde los principios básicos en materiales reales; es decir, partiendo únicamente de la estructura atómica del material y las leyes de la mecánica cuántica. El año pasado, Bernardi y Luo desarrollaron un método basado en datos, basado en una técnica llamada descomposición en valores singulares (SVD), para simplificar las enormes matrices matemáticas que los científicos utilizan para representar las interacciones entre electrones y fonones en un material.
El caso de las interacciones de fonones es aún más complejo. Estas interacciones se codifican en objetos multidimensionales llamados tensores, generalizaciones de vectores y matrices en dimensiones superiores. La complejidad de estos tensores crece exponencialmente con el número de partículas involucradas, lo que limita la comprensión científica de las interacciones que involucran tres o más fonones.
Ahora, inspirados por los recientes avances en aprendizaje automático, Bernardi y Luo han desarrollado una técnica basada en IA que filtra los tensores de orden superior que codifican las interacciones de fonones en un material y extrae solo los fragmentos cruciales necesarios para completar los cálculos que explican el transporte térmico. Describen el trabajo en un artículo publicado en la revista Physical Review Letters .
Utilizando técnicas de vanguardia, una supercomputadora tarda horas o días en calcular las interacciones entre tres o cuatro fonones en un material. El nuevo método permite a las computadoras realizar los mismos cálculos de transporte térmico y dinámica de fonones entre 1000 y 10 000 veces más rápido, manteniendo la precisión.
«Los cálculos para interacciones de cuatro fonones son una pesadilla», dice Bernardi. «Para materiales complejos, esta tarea requeriría cálculos de semanas. Ahora podemos hacerlos en 10 segundos».
Bernardi explica más sobre el método:
Utilizamos una técnica de aprendizaje automático llamada descomposición tensorial CANDECOMP/PARAFAC, pero tuvimos que adaptarla para satisfacer la simetría de este problema físico específico. Primero configuramos una red neuronal y luego la ejecutamos en GPU. Nos preguntamos: «¿Cuáles son las mejores funciones para aproximar el tensor real que describe estas interacciones de fonones?». Una vez que determinamos el número de términos de producto que queremos conservar, el proceso de aprendizaje automático devuelve las mejores funciones para aproximar el tensor completo. Normalmente, solo necesitamos unos pocos de estos productos, lo que ahorra órdenes de magnitud en complejidad computacional en comparación con el uso del tensor completo. Este método nos permite aprender la forma comprimida de las interacciones de fonones y, aun así, podemos utilizar estos tensores altamente comprimidos para calcular todos los observables de interés con la misma precisión.
Bernardi añade que el nuevo método es ideal para el cribado de alto rendimiento de la física térmica y el transporte de calor en grandes bases de datos de materiales, un esfuerzo importante en la comunidad de materiales. En cuanto al trabajo futuro, afirma: «Mi visión actual es comprimir todos los tipos de interacciones cuánticas y procesos de alto orden en materiales con técnicas similares. La clave será evitar por completo la formación de grandes tensores y aprender las interacciones directamente en forma comprimida».
El artículo se titula «Aprendizaje tensorial y compresión de interacciones de N-fonones». Otros autores son Dhruv Mangtani, quien trabajó en el proyecto como estudiante de SURF en el laboratorio de Bernardi; Shiyu Peng, investigador asociado postdoctoral; y los estudiantes de posgrado de Caltech Jia Yao (MS ’25) y Sergei Kliavinek. El trabajo contó con el apoyo financiero de la Fundación Nacional de Ciencias y una beca Eddleman. La investigación utilizó recursos del Centro Nacional de Cálculo Científico de Investigación Energética, una instalación para usuarios de la Oficina de Ciencias del Departamento de Energía.
Inspirados por los recientes avances en aprendizaje automático, los científicos de Caltech han desarrollado una técnica basada en IA que examina los tensores de orden superior que codifican las interacciones de los fonones en un material y extrae solo los bits cruciales necesarios para completar los cálculos que explican el transporte térmico.
Caltech News. Traducido al español
