编译/文龙
物理学家喜欢用各种软件模拟重现世界的运作方式，随着机器学习取得了一个又一个突破性成果，物理学家们开始思考如何更好地使用机器学习来加强物理学的研究，提出了「教机器学习物理知识以解决物理问题」的观点。
最近，美国科罗拉多大学博尔德分校的物理学家通过将第一性原理方法与机器学习技术结合到物理感知的电子传输信息学（ETI）框架中，可以预测制造的半导体异质结构中的电子特性。未来，这种技术将可以在具有数十亿个原子的微型芯片发生故障之前作出预测。
这项研究于 6 月 17 日以「First-principles prediction of electronic transport in fabricated semiconductor heterostructures via physics-aware machine learning」为题发表在期刊《npj Computational Materials》上。
高速光纤通讯、人造卫星通讯，使用半导体异质结构的多种电信系统形式给我们的日常生活带来了巨大变化。一些理论研究讨论了非理想性对异质结构电子特性的影响。然而，这些研究本质上是参数化的。必须全面了解生长相关参数与电子特性之间的复杂关系，以实现具有可靠电子性能的目标半导体异质结构设计。
第一性原理技术能够以最少的实验输入预测材料特性，但是，通常会带来大量的计算成本。而得益于数据库提供的大量数据，基于 ML 的材料信息学方法越来越多地用于加速具有目标特性的新材料和结构的设计和发现。
因此，研究人员提出了一个基于第一性原理的电子传输信息学 (ETI) 框架，该框架在小模型的从头预测原子结构和电子能带特性上进行训练，并预测电子传输系数即制造的半导体异质结构的热电势。
预测异质结构电子特性的框架轮廓。（来源：论文）
与制造相关的结构参数与异质结构的电子特性之间的关系很复杂，通常无法用第一性原理方法进行充分探索。实验表明，可以成功利用基于物理知识的机器学习技术来揭示的物理理解的关键。
原子尺度上的乐高积木大师
在这项研究中，研究人员绘制了由原子组成的「小积木」的物理特性，然后使用机器学习技术来估计由这些相同积木创建的更大结构的行为。这有点像看着一块乐高积木试图预测一个更大的城堡的强度。
「我们正试图了解具有数十亿个原子的设备的物理特性，」论文通讯作者、物理学家和航天工程师 Sanghamitra Neogi 说。「从本质上说，我们试图理解这个有几十亿个原子的世界，与它相关的物理学是完全未知的。」
研究人员以 16 个原子单位为研究基础，可以模拟包含大约 100 个原子的系统。「此外，即使一个系统中的原子数呈指数增长，模型进行预测所需的计算时间也只成线性增长，这意味着拥有数十亿个原子的世界相对来说是可以到达的。」
机器学习内嵌物理知识
该团队训练了神经网络和随机森林两种不同的模型，并在理想超晶格、非理想一支结构、制造的异质结构三种不同类型的结构上进行了测试。
测试用例包含多达 544 个原子，在不同条件下，随机森林的预测结果与模拟结果的差异 3.7%-19%，神经网络的差异为 2.3%-9.6%。
「我认为这是非常聪明的，」阿贡国家实验室的计算科学家 Logan Ward 表示，「这项研究为了让机器学习模型发挥作用，作者们在不同阶段混合了他们对物理学的理解，做了一项非常巧妙的工作。我以前从没见过这样的东西。」
虽然该团队离确定手机尺寸大小的设备中的所有潜在弱点还有很长的路要走，但是，到目前为止，他们提出的这一模式已被证明是有效的。
论文链接：https://doi.org/10.1038/s41524-021-00562-0
参考内容：
https://www.colorado.edu/today/2021/06/21/ai-may-soon-predict-how-electronics-fail
https://spectrum.ieee.org/replacing-simulations-of-atomic-clusters-with-ai
人工智能 × [ 生物 神经科学 数学 物理 材料 ]
「ScienceAI」关注人工智能与其他前沿技术及基础科学的交叉研究与融合发展。
欢迎关注标星，并点击右下角点赞和在看。
点击阅读原文，加入专业从业者社区，以获得更多交流合作机会及服务。
