麻省理工學院的研究團隊發現，與標準的實驗和理論方法相比，機器學習技術有很大的優勢。在2020年9月發表在《自然-能源》雜誌的一篇文章中，三位科學家提出了幾個“大挑戰”–其中之一是為熱能儲存裝置尋找合適的材料，這些材料可以與太陽能系統協同使用。

幸運的是，麻省理工學院核科學與工程系Norman C. Rasmussen副教授，該系量子物質小組的負責人李明達已經在沿著類似的思路思考。事實上，李明達和九個合作者（來自麻省理工學院、勞倫斯伯克利國家實驗室和阿貢國家實驗室的研究人員）正在開發一種新的方法，涉及一種新的機器學習方法，這將使其更快、更容易識別具有熱能存儲和其他用途的有利特性的材料。

他們的調查結果最近發表在《先進科學》的一篇論文中。橡樹嶺國家實驗室的傑出工作人員、物理學家Jaime Fernandez-Baca評論說：“這是一種革命性的方法，有望加速新功能材料的設計。”

李明達和他的合作者寫道，材料科學的一個核心挑戰是“建立結構與性能的關係”——弄清楚具有特定原子結構的材料將具有的特性。李明達的團隊特別關注使用結構知識來預測“聲子態密度”，這對熱性能有關鍵影響。

要理解這個術語，最好從聲子這個詞開始。材料科學和工程專業的博士生Nina Andrejevic解釋說：“一種晶體材料是由排列在晶格結構中的原子組成的。我們可以把這些原子看作是由彈簧連接的球體，而熱能導致彈簧振動。而那些只在離散的（量化的）頻率或能量下發生的振動，就是我們所說的聲子。”

“聲子態密度”只是在一個特定的頻率或能量範圍內發現的振動模式或聲子的數量。知道了“聲子態密度”，人們就可以確定一種材料的載熱能力以及它的熱導率，這與熱量如何容易地通過一種材料有關，甚至可以確定超導體的超導轉變溫度。李明達說：“出於熱能儲存的目的，你想要一種具有高比熱的材料，這意味著它可以吸收熱量而不出現溫度急劇上升。你還想要一種具有低熱導率的材料，這樣它就能更長時間地保持其熱量。”

然而，“聲子態密度”是一個很難在實驗中測量或在理論上計算的術語。“對於像這樣的測量，人們必須去國家實驗室使用一個大型儀器，大約10米長，以獲得你需要的能量分辨率，”李明達說。“那是因為我們正在尋找的信號非常弱。”

“而如果你想計算聲子態密度，最準確的方法是依靠密度泛函微擾理論（DFPT），”機械工程博士生陳占濤指出。“但是這些計算的規模是晶體基本構件中原子數量的四階，這可能需要在一個CPU集群上花費數天的計算時間。”對於包含兩種或更多元素的合金，計算變得更加困難，可能需要數週甚至更長時間。”

李明達表示，這種新方法可以將這些計算需求減少到個人電腦上的幾秒鐘。他的團隊沒有試圖從第一原理計算“聲子態密度”，這顯然是一項費力的任務。他們轉而採用了一種神經網絡方法，利用人工智能算法，使計算機能夠從實例中學習。這個想法是向神經網絡提供足夠的關於材料的原子結構及其相關的聲子態密度的數據，使網絡能夠分辨出連接這兩者的關鍵模式。在以這種方式進行“訓練”之後，該網絡將有望對具有特定原子結構的物質進行可靠的狀態密度預測。