海归学者发起的公益学术平台
分享信息，整合资源
交流学术，偶尔风月
模拟及预测多尺度声子输运对于小型电子器件的热管理至关重要。声子玻尔兹曼输运方程 (Phonon Boltzmann transport equation) 是描述多尺度声子输运的重要方法，通过求解该方程可以得到声子分布等信息从而准确模拟半导体体系中的传热现象，但由于其高维性等特征，想要高效地求解该方程十分困难。另一方面，以往的研究通常假设体系温度梯度极小以确保数值方法求解的可行性。尽管在该假设下对于声子输运尺寸效应的研究应取得了一些成功，但这些结果和结论不能简单地推广到较大温度梯度下的情况，因为声子弛豫时间或平均自由程将依赖于温度而具有较大差异。为了考虑现实中大温度梯度下非平衡声子分布的影响，开发准确高效的计算方法就变得十分必要。深度学习利用人工神经网络可以很好地拟合连续函数，将物理方程等信息融入神经网络的训练中或许能为开发高效求解器提供新思路。
来自美国圣母大学航空航天和机械工程系的博士生李睿杨，罗腾飞教授以及合作者们设计并测试了一种基于物理定律的神经网络模型（Physics-informed neural network, PINN），该模型通过训练使物理方程和边界条件的残差最小化来近似满足玻尔兹曼方程的声子分布，并且无需任何标记数据。该方法为了考虑不同温度梯度下非平衡的影响，在方程中采用了与温度相关的声子弛豫时间，并且通过将体系参数（如结构尺寸和温度梯度）作为模型的输入变量，成功得到了参数空间中的方程解。研究者利用此模型对多尺寸晶体硅中的热输运现象进行了模拟，测试表明物理信息深度学习可以高效准确地预测任意温度梯度下的声子输运（从一维系统到三维系统）。与传统数值解法相比，深度学习方法在训练后的计算时间更短，同时参数化学习可以使一次训练后的单个模型能够预测多参数条件下的热输运，从而省去了多次计算的麻烦。该研究提出的深度学习模型有效地利用了物理信息，有望被用于模拟器件级声子热传导，并且进一步用于电子器件的热设计。
该文近期发表于npj Computational Materials 8: 29 (2022)，英文标题与摘要如下，点击左下角“阅读原文”可以自由获取论文PDF。
Physics-informed deep learning for solving phonon Boltzmann transport equation with large temperature non-equilibrium
Ruiyang Li, Jian-Xun Wang, Eungkyu Lee & Tengfei Luo
Phonon Boltzmann transport equation (BTE) is a key tool for modeling multiscale phonon transport, which is critical to the thermal management of miniaturized integrated circuits, but assumptions about the system temperatures (i.e., small temperature gradients) are usually made to ensure that it is computationally tractable. To include the effects of large temperature non-equilibrium, we demonstrate a data-free deep learning scheme, physics-informed neural network (PINN), for solving stationary, mode-resolved phonon BTE with arbitrary temperature gradients. This scheme uses the temperature-dependent phonon relaxation times and learns the solutions in parameterized spaces with both length scale and temperature gradient treated as input variables. Numerical experiments suggest that the proposed PINN can accurately predict phonon transport (from 1D to 3D) under arbitrary temperature gradients. Moreover, the proposed scheme shows great promise in simulating device-level phonon heat conduction efficiently and can be potentially used for thermal design.
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方
