ИИ находит материалы, которые почти не проводят тепло экспресс
Тепло сквозь вещество течёт, как вода по трубам: где-то быстро, где-то едва. Инженеры ищут материалы, почти не пропускающие тепло — словно забитые трубы. Такие изоляторы важны для энергосбережения и устройств, превращающих тепло в электричество. Нейросеть KappaFormer быстро оценивает «пропускную способность» атомной структуры.
Секрет KappaFormer — в физическом чутье. Людвиг Больцман понял: тепло зависит от хаоса в движении частиц. В кристалле атомы дрожат; согласованные колебания несут тепло, хаотичные — нет. Сеть различает эти вклады, анализируя атомный узор. Она тренировалась на миллионах данных о сжатии и растяжении материалов, а затем доучивалась на редких примерах теплопроводности. Удивительно, но этого хватило для сверхточных предсказаний — как сантехник определяет засор по звуку трубы.
Проверив тысячи вариантов, KappaFormer нашла вещества с почти нулевой утечкой тепла — в сотни раз лучше оконного стекла. Их атомная геометрия запутывает тепловые колебания, и те затухают, как звук в расстроенном пианино. Теперь сеть перенацеливают на поиск других материалов. Физика, вшитая в алгоритм, ведёт к материалам будущего — от космических щитов до квантовых компьютеров.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2604.03547
Machine learning has been widely used for predicting material properties. However, efficient prediction of lattice thermal conductivity ($$\kappa_\mathrm{L}$$) remains a long-standing challenge, primarily due to the scarcity of high-quality training data. Here we introduce KappaFormer, a physics-aware Transformer architecture that embeds the harmonic-anharmonic decomposition of $$\kappa_\mathrm{L}$$ within the network. KappaFormer comprises a harmonic branch pre-trained on large-scale elastic property data and an anharmonic branch fine-tuned on limited experimental $$\kappa_\mathrm{L}$$ data, enabling effective knowledge transfer and enhanced generalization. High-throughput screening with KappaFormer identifies multiple candidates with ultralow $$\kappa_\mathrm{L}$$, which are further confirmed by first-principles calculations. Physics interpretability further elucidates the vibrational mechanisms governing thermal transport suppression, linking structural motifs to strong anharmonicity. This study provides a generalizable framework for physics-guided machine learning to accelerate the discovery of new materials.
Среди обнаруженных материалов есть такие, что удерживают тепло в сотни раз надёжнее двойного оконного стекла — по сути, почти вечный термос.
В «Дюне» дистикомбы героев действуют как совершенные теплоизоляторы — сегодня учёные с помощью ИИ приближаются к созданию подобных материалов.