报告人：胡明 教授        美国南卡罗来纳大学机械工程系

时间： 2023-06-04 16:00

地点： 机械学院 516

Abstract:

虽然人工智能与机器学习方法在新能源材料设计方面已经显现出巨大的发展空间，然而，它在固体材料热运输领域的潜力还没有被充分挖掘出来。由于机器学习模型所需参数数量与组成材料原子种类或元素个数呈指数级变化，现有用于预测晶体材料能量载流子（如声子、离子、电子等）输运性质的机器学习方法仅限于少量训练数据或某些特殊材料类型， 这使得机器学习方法无法真正用于大规模新材料设计与高通量筛选。为了解决这个问题，我们开发了以原子局部近邻环境为训练数据的元素空间密度神经网络力场（Elemental-SDNNFF）。受益于该算法独特的模型架构，使得我们可以轻松利用上亿级别数据来训练单个超大、超深神经网络。我们预测了超过十万种无机晶体的声子特性，这些材料涵盖元素周期表中的 63 种元素以及17种不同分子式类型。我们证明了该算法的有效性和精度，与第一性原理计算相比，预测速度提高了至少 3–4个数量级。我们的神经网络模型可以提供丰富的原子尺度物理和化学信息，这有利于加深我们对物质结构-性质关系的理解。这种新的神经网络方法不仅可以用来于快速筛选声子热输运材料，还可以用于与热输运相关的一些应用，例如全固态电池、热能储存、热电能量转换，等。

Biographical Sketch:

胡明博士现任美国南卡罗来纳大学机械工程系教授。2006年获得中国科学院力学研究所固体力学博士学位。胡教授在计算传热学方面拥有超过16年的研究经验，尤其对微纳尺度热输运和界面热管理的原子模拟有多年研究。胡教授目前带领的人工智能材料实验室专注于大数据和机器学习算法开发，发现和设计用于先进能源工程和技术的新型材料。胡教授撰写和合著了四本书章节和 186 篇具有高影响力的国际期刊文章，总被引用8000余次（谷歌学术H指数49）。