University of Michigan - Shanghai Jiao Tong University Joint Institute

Pages

  1. 密院博士生运用机器学习揭示纳米多孔石墨烯的新导热机制

    三月 13, 2020 by 密院对外交流与宣传办公室综合整理   分享:   人人网   打印

    近日,上海交通大学密西根学院鲍华教授与美国普渡大学Xiulin Ruan 教授研究组在国际权威学术期刊《Nano Energy》上共同发表他们在运用机器学习揭示纳米多孔石墨烯导热新机制的最新研究成果论文《Genetic algorithm-driven discovery of unexpected thermal conductivity enhancement by disorder》(遗传算法驱动发现随机无序结构可提高热导率)。密西根学院致远荣誉计划博士研究生魏晗为第一作者,鲍华教授与Xiulin Ruan 教授为论文共同通讯作者。

    微信截图_20200303155834纳米多孔石墨烯结构(a),基于遗传算法的“两步”搜寻流程(b),人工随机寻找与基于遗传算法搜寻反例结果对比(c)

    调控纳米材料的导热性能对于电子芯片散热、热电材料能量转化等应用有重要的意义。纳米多孔结构是调控纳米材料热导率的重要方式,除了孔隙率之外,孔的排布也可以调控纳米多孔结构的热导率。科学家们通过以往的研究发现:相对于周期性的孔排布,随机的孔排布会明显降低多孔结构的热导率,因为随机的孔排布使得热量的输运产生局域化效应,从而阻碍热量的进一步传输。

    此次中美联合团队的研究以纳米多孔石墨烯为研究对象,旨在通过机器学习算法来寻找例外以挑战这一公认的结论。研究首先展示了人工寻找高热导率的多孔结构的不成功:通过高性能计算机仿真21个随机多孔石墨烯结构,需要67200机时,找到的所有案例都比周期性排布的多孔石墨烯热导率更低。这样的结果似乎和一般的认知完全一致。为了更加高效的寻找反例,研究组提出了一种基于遗传算法的“两步”搜索机制:通过计算量较小的玻尔兹曼输运方程模型进行初筛和优化,并运用更加准确且计算量大的分子动力学模拟来验证。通过这样的“两步”算法,可以仅仅消耗6604机时,即成功的找到孔随机排布结构热导率高于周期排布的反例。

    微信截图_20200303155905搜寻到的反例结构,对纳米多孔石墨烯导热有重要影响的形状因子和导热通道

    通过对反例的结构特征的深入分析,发现这些反例中热导率的提高是由于特定的孔排布导致的,进一步观察发现形状因子和导热通路在多孔石墨烯的导热中起主导作用,其作用远超过一般认为会降低热导率的声子局域化效应。通过进一步的回归分析表明,形状因子和导热通路与热导率具有较强的相关性,因此,这两个新的物理参量可用于建立快速预测纳米多孔结构热导率的机器学习模型。

    机器学习算法被广泛的应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断等。在工程热物理和材料领域,机器学习算法可以被用于对数据的回归和预测,然而很少能够被用于揭示新的物理机制。该研究展示了通过机器学习指导发现反例,进一步推动理论发展的新的研究范式。

    该研究工作得到了广东省重点地区研发计划(2019B010940001)和国家自然科学基金(No.51676121)的资助。研究得到了上海交大材料基因组联合研究中心和高性能计算中心的帮助。

     

    《Nano Energy》是能源领域高水平期刊,报道纳米能源领域原创性研究成果。

     

    论文作者简介

    魏晗-web魏晗,上海交通大学密西根学院直博生,于2017年获得华中科技大学热能与动力工程学士学位。随后进入上海交通大学密西根学院鲍华课题组攻读博士学位,并入选“上海交通大学致远荣誉博士计划”。主要从事机器学习及复合材料导热的相关研究。