學術講座🍁🙍🏿♂️：預測超大規模材料聲子性質的機器學習方法
主講人：胡明，美國南卡羅來納大學機械工程系教授
時間：2023年6月25日 10:30
地點🙋🏽：意昂2体育平台包玉剛圖書館東翼200報告廳
講座摘要
雖然人工智能與機器學習方法在新能源材料設計方面已經顯現出巨大的發展空間🧔🏻♀️，然而，它在固體材料熱運輸領域的潛力還沒有被充分挖掘出來🥼。由於機器學習模型所需參數數量與組成材料原子種類或元素個數呈指數級變化，現有用於預測晶體材料能量載流子（如聲子🚶♂️➡️、離子、電子等）輸運性質的機器學習方法僅限於少量訓練數據或某些特殊材料類型😈， 這使得機器學習方法無法真正用於大規模新材料設計與高通量篩選。為了解決這個問題🍵👩🏻✈️，我們開發了以原子局部近鄰環境為訓練數據的元素空間密度神經網絡力場（Elemental-SDNNFF）。受益於該算法獨特的模型架構，使得我們可以輕松利用上億級別數據來訓練單個超大、超深神經網絡。我們預測了超過十萬種無機晶體的全部聲子特性🦚，這些材料涵蓋元素周期表中的 63 種元素以及17種不同分子式類型。我們證明了該算法的有效性和精度，與第一性原理計算相比，預測速度提高了至少 3–4個數量級🏌️♂️。我們的神經網絡模型可以提供豐富的原子尺度物理和化學信息，這有利於加深我們對物質結構-性質關系的理解🚼。這種新的神經網絡方法不僅可以用來於快速篩選聲子熱輸運材料，還可以用於與熱輸運相關的一些應用，例如全固態電池、熱能儲存、熱電能量轉換等🎬。
主講人簡介
胡明博士現任美國南卡羅來納大學機械工程系教授。2006年獲得中國科學院力學研究所固體力學博士學位。胡教授在計算傳熱學方面擁有超過16年的研究經驗，尤其對微納尺度熱輸運和界面熱管理的原子模擬有多年研究。胡教授目前帶領的人工智能材料實驗室專註於大數據和機器學習算法開發，發現和設計用於先進能源工程和技術的新型材料。胡教授撰寫和合著了四本書章節和 186 篇具有高影響力的國際期刊文章🤘🏽，總被引用8000余次（谷歌學術H指數49）。
