Caltech’te uygulamalı fizik, fizik ve malzeme bilimi profesörü Marco Bernardi liderliğindeki araştırma grubu, malzemelerde atom titreşimleri (fononlar) arasındaki karmaşık kuantum etkileşimlerini olağanüstü ölçüde hızlandıran yapay zekâ tabanlı bir yöntem geliştirdi. Ekip, ısı iletimi, ısıl genleşme ve faz geçişleri gibi kritik malzeme özelliklerini yöneten bu süreçleri yüksek mertebeye kadar çözerken, geleneksel yaklaşımlara göre 1.000 ila 10.000 kat daha hızlı sonuç üreten bir ‘tensör öğrenmesi ve sıkıştırması’ tekniği uyguladı. Bulgular Physical Review Letters’ta yayımlandı.
HIZ REKORU KIRILDI
Güncel süperbilgisayarlarda üç ve dört fonon arasındaki etkileşimlerin tam-kesin hesapları saatler, günler, hatta karmaşık yapılarda haftalar sürebiliyor. Yeni yaklaşım, dört-fonon etkileşimlerinin bile, doğruluktan ödün vermeden, saniyeler içinde hesaplanmasını mümkün kılıyor. Böylece ısı taşıma ve fonon dinamiği simülasyonları, bugüne dek pratikte erişilmesi güç hızlara ulaşıyor.
TENSÖR ÖĞRENMESİ UYGULANDI
Ekip, fonon etkileşimlerini kodlayan yüksek dereceli tensörler için, makine öğrenmesinde bilinen CANDECOMP/PARAFAC (CP) tensör ayrıştırmasını fiziksel simetrileri gözeterek uyarladı. Süreçte önce bir sinir ağı kuruldu; GPU’larda eğitilen ağ, “gerçek” etkileşim tensörünü yaklaşık olarak yeniden üretecek en verimli fonksiyonları seçip tensörü yüksek oranda sıkıştırılmış hâle getirdi. Elde edilen kompakt gösterimle, ısı taşınımı gibi tüm hedef gözlemlenebilirler aynı doğrulukta, fakat çok daha düşük hesaplama maliyetiyle çıkarıldı.
SICAKLIK TAŞINIMI HIZLANDI
Yöntem, ısı iletimini ve fonon saçılmalarını belirleyen çok-cisimli süreçleri çözmede darboğaz olan yüksek-mertebe etkileşimleri ölçeklenebilir bir şekilde ele alıyor. Böylece malzeme topluluğunda uzun süredir hedeflenen, geniş malzeme veri tabanlarında yüksek verimli ısı fiziği taraması mümkün hâle geliyor. Ekip, tek tek malzemelerin değil, binlercesinin fonon etkileşim haritasını hızla çıkarıp kıyaslayabilecek bir altyapıya işaret ediyor.
GEÇMİŞTEN GELEN TEMEL
Bernardi ve lisansüstü öğrencisi Yao Luo, geçen yıl elektron–fonon etkileşimlerini betimleyen devasa matrisleri tekil değer ayrıştırması (SVD) ile sadeleştiren veri odaklı bir yaklaşım tanıtmıştı. Fonon–fonon etkileşimleri ise daha da karmaşık: bilgi yüksek dereceli tensörlerde saklanıyor ve parçacık sayısı arttıkça kombinatoryal patlama yaşanıyor. Yeni çalışma, bu engeli öğrenilmiş sıkıştırma ile aşarak dört ve daha yüksek mertebeli süreçleri pratik hesap kapsamına alıyor.
ANSİKLOPEDİK HARİTA VİZYONU
Araştırma grubu, tekniğin yalnızca fononlarla sınırlı kalmayıp malzemelerdeki tüm kuantum etkileşimlerine genişletilebileceğini vurguluyor. Hedef, büyük tensörleri baştan kurmak yerine, etkileşimleri doğrudan sıkıştırılmış biçimde öğrenmek ve parçacık/uyarım davranışına dair ansiklopedik bir kaynak üretmek. Bu perspektif, ısı taşınımından faz mühendisliğine, termal yönetimden kuantum cihaz tasarımına kadar geniş bir uygulama alanına uzanıyor.
ORTAK YAZARLAR VE ÇALIŞMA
“N-fonon Etkileşimlerinin Tensör Öğrenmesi ve Sıkıştırılması” başlıklı makalede, Bernardi ve Luo’nun yanı sıra, projede SURF öğrencisi olarak görev alan Dhruv Mangtani, doktora sonrası araştırmacı Shiyu Peng ile Caltech lisansüstü öğrencileri Jia Yao ve Sergei Kliavinek yer alıyor. Ekip, bir sonraki aşamada, yöntemi faz geçişleri sırasında kritik yakınsama davranışları ve karmaşık kafes topolojilerinde genel kuantum etkileşimleri için de yaygınlaştırmayı planlıyor.
