Accurate estimation of interfacial thermal conductance between silicon and diamond enabled by a machine learning interatomic potential
تُظهر هذه الدراسة أن جهود التفاعل بين الذرات القائمة على تعلم الآلة والمدرَّبة على بيانات نظرية الدالة الوظيفية للكثافة تُحسّن بشكل كبير من دقة تنبؤات الموصلية الحرارية البينية بين السيليكون والألماس مقارنة بالجهود شبه التجريبية التقليدية، بينما توفر أيضاً رؤى مفصلة حول مساهمات أنماط الفونون وخصائص الترابط.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل داخل هاتفك الذكي أو شريحة حاسوبية عالية السرعة كأنها مدينة صاخبة. في هذه المدينة، الحرارة هي حركة المرور. عندما تعمل الأجهزة الإلكترونية بجهد، فإنها تولد الكثير من الحرارة، وإذا لم تتمكن هذه الحرارة من الابتعاد بسرعة، ستزدحم المدينة، وتنتفخ المحركات، ويتعطل النظام بأكمله. وللحفاظ على برودة الأشياء، يحاول المهندسون غالبًا بناء "مسارات سريعة" للحرارة باستخدام مواد خاصة. تتضمن إحدى الاستراتيجيات الشائعة دمج السيليكون (المادة القياسية لشرائح الكمبيوتر) مع الألماس (واحد من أفضل المواد لنقل الحرارة). ومع ذلك، حيث تلتقي هاتان المادتان المختلفتان، غالبًا ما يحدث ازدحام مروري. تجد الحرارة صعوبة في الانتقال من جانب السيليكون إلى جانب الألماس، مما يخلق عنق زجاجة يبطئ كل شيء. لقد حاول العلماء معرفة مقدار الحرارة التي تعلق بالضبط عند هذا الحد، ولماذا، آملين في تصميم أجهزة أفضل وأسرع وأكثر موثوقية.
ولحل هذا اللغز، يستخدم الباحثون عادةً محاكاة حاسوبية لمراقبة كيفية اهتزاز الذرات ونقل الطاقة. فكر في هذه المحاكاة كأنها لعبة فيديو حيث تخبر الذرات بكيفية التصرف. لفترة طويلة، استخدم العلماء مجموعة من "كتب القواعد" تسمى الجهود شبه التجريبية (مثل نماذج تيرسوف وبرينر) لكتابة هذه القواعد. كانت هذه الكتب تعتمد على بيانات قديمة وصيغ رياضية بسيطة. ولكن في هذه الدراسة الجديدة، قرر البراعة استخدام نهج "تعلم الآلة" (ML). فبدلاً من الاعتماد على كتاب قواعد بسيط ومكتوب مسبقًا، قاموا بتدريب برنامج حاسوبي ليتعلم القواعد مباشرة من أكثر حسابات الفيزياء دقة (المعروفة بنظرية وظيفية الكثافة، أو DFT). الأمر يشبه تعليم طالب من خلال عرض آلاف الأمثلة من الحياة الواقعية عليه بدلاً من مجرد إعطائه ملخصًا من كتاب مدرسي. كان الهدف هو معرفة ما إذا كان هذا الطالب الذكي والموجه بالبيانات يمكنه التنبؤ بكيفية تدفق الحرارة عبر الحدود بين السيليكون والألماس بدقة أكبر من كتب القواعد القديمة.
قام الباحثون بإعداد تجربة رقمية حيث بنوا جسرًا بين كتلة من السيليكون وكتلة من الألماس. واستخدموا جهد تعلم الآلة الجديد الخاص بهم لمحاكاة حركة الذرات وانتقال الحرارة ذهابًا وإيابًا. ووجدوا أن كتب القواعد القديمة (تيرسوف وبرينر) كانت متفائلة للغاية. ففي عمليات المحاكاة الخاصة بهم، توقعت تلك النماذج القديمة أن الحرارة ستتدفق عبر الواجهة أسرع بنحو ثلاث مرات مما تم قياسه فعليًا في التجارب الواقعية. كان الأمر كما لو أن كتب القواعد القديمة كانت تقول للحرارة: "تفضلي، انطلقي بسرعة!" بينما في الواقع، كانت الحرارة تصطدم بحائط.
في المقابل، روى نموذج تعلم الآلة الجديد قصة أكثر واقعية. فعندما أجرى الباحثون عمليات المحاكاة الخاصة بهم باستخدام هذا النموذج الذكي والمدرب، تطابقت النتائج مع البيانات التجريبية الواقعية بشكل شبه مثالي، مع فرق ضئيل قدره 10% فقط. تشير الورقة البحثية إلى أن هذه الدقة تأتي من كون نموذج تعلم الآلة قد فهم بشكل صحيح مدى سرعة اهتزاز الذرات (سرعات مجموعة الفونون) ومدى استمرار تلك الاهتزازات (أعمار الفونون). فقد اعتقدت النماذج القديمة أن الذرات تهتز بشكل أسرع وتستمر لفترة أطول مما هي عليه في الواقع، مما جعل الحرارة تبدو وكأنها تتحرك بسهولة أكبر مما هي عليه بالفعل.
كما بحثت الدراسة في "موسيقى" تدفق الحرارة. تنتقل الحرارة عبر المواد عبر اهتزازات تسمى "الفونونات"، والتي لها ترددات مختلفة (مثل النوتات الموسيقية المختلفة). واكتشف الباحثون أن النماذج القديمة أخطأت في "اللحن"، حيث توقعت نوتات عالية التردد لا توجد في الواقع في المواد الأصلية. ومع ذلك، فقد ضبط نموذج تعلم الآلة اللحن الصحيح، مطبقًا الفيزياء الفعلية. كما وجدوا أن الواجهة بين السيليكون والألماس تخلق "اهتزازات محلية" خاصة بها (أنماط الفونون) تساعد في نقل الحرارة، وتحديدًا في نطاق تردد يتراوح بين 10 و15 تيرا هرتز. تساهم هذه الأنماط الخاصة بشكل كبير في نقل الحرارة، وقد التقط نموذج تعلم الآلة هذا التفصيل، بينما أخطأت النماذج القديمة في تقديره.
في النهاية، تظهر هذه الورقة أن استخدام تعلم الآلة لتدريب النماذج الذرية هو وسيلة قوية لإصلاح أخطاء طرق المحاكاة الأقدم. فمن خلال التعلم مباشرة من البيانات الكمومية عالية الدقة، يمكن لهذه النماذج الجديدة التنبؤ بكيفية سلوك الحرارة عند الواجهات الدقيقة داخل أجهزتنا الإلكترونية بدقة أكبر بكثير. وهذا لا يعني فقط أرقامًا أفضل على الشاشة؛ بل يعني أن المهندسين يمكنهم الوثوق بمحاكاتهم الحاسوبية أكثر عند تصميم الجيل القادم من الأجهزة الإلكترونية فائقة السرعة والتي تعمل ببرودة عالية. تؤكد الدراسة أنه بينما كانت الطرق القديمة مفيدة، إلا أنها كانت تبالغ في تقدير أداء هذه المواد، وأن النهج الجديد المدفوع بالذكاء الاصطناعي هو المفتاح لرؤية الحقيقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.