Banca dati e scalabilità del deep learning per le proprietà fononiche anharmoniche mediante calcoli ab initio automatizzati e brute-force

Perché le vibrazioni che trasportano calore sono importanti

Ogni solido che ci circonda, dai chip degli smartphone all’isolamento degli edifici, trasferisce calore principalmente attraverso piccole vibrazioni atomiche chiamate fononi. La facilità con cui queste vibrazioni si propagano determina se un materiale è adatto a raffreddare componenti elettronici, mantenere gli ambienti caldi o convertire il calore di scarto in elettricità. Prevedere con precisione questo flusso di calore a partire dalla struttura atomica di un materiale è però storicamente difficile e lento. Questo studio presenta un nuovo metodo per automatizzare tali previsioni per migliaia di cristalli e poi usare il deep learning per esplorare ampi spazi di materiali alla ricerca di quelli con conducibilità termica estremamente alta o bassa.

Costruire una grande libreria di cristalli vibranti

Gli autori hanno creato un framework software chiamato auto-kappa che prende in input una struttura cristallina ed esegue automaticamente un lungo insieme di calcoli quantomeccanici. Questi calcoli risolvono non solo come gli atomi vibrano in modo perfettamente elastico, ma anche come le vibrazioni collidono e si disperdono in modo più realistico, «disordinato». Dal processo il software estrae proprietà dettagliate come le durate di vita dei fononi e quanto ciascuna vibrazione contribuisce al trasporto di calore. Usando questa pipeline su supercomputer, il gruppo ha assemblato una nuova banca dati, chiamata Phonix, che copre proprietà fononiche anharmoniche per oltre 6500 cristalli inorganici — che vanno da sali semplici come il cloruro di sodio a strutture complesse con oltre 100 atomi per cella unitaria.

Una mappa diversificata di come i solidi trasportano calore

Con questa banca dati a disposizione, i ricercatori hanno esaminato come la conduzione del calore varia tra i materiali. Hanno osservato che la conduttività termica del reticolo, la componente trasportata dalle vibrazioni nel reticolo atomico, tende a diminuire all’aumentare del volume per atomo — in termini generali, strutture più aperte tendono a condurre meno il calore. La banca dati ha rivelato una distribuzione ampia: la maggior parte dei materiali si colloca tra circa 0,15 e 40 watt per metro per grado Kelvin a temperatura ambiente, ma una piccola frazione raggiunge valori estremamente alti oltre 200, e un sottogruppo minuscolo oltre 500 o perfino 1000. Molti dei migliori conduttori sono forme di carbonio e carburo di silicio, mentre numerosi composti mostrano conducibilità termica molto bassa, offrendo ricche possibilità per applicazioni termoelettriche o isolanti.

Contributi ondulatori nascosti al flusso di calore

Il calore nei cristalli viene spesso rappresentato come fononi che si comportano come molecole di un gas, ma a piccole scale le vibrazioni possono anche comportarsi più come onde che si sovrappongono. La banca dati Phonix separa il contributo convenzionale «di tipo particellare» al trasporto termico da questo contributo più ondulatorio, o coerente. Per la maggior parte dei materiali, specialmente i buoni conduttori termici, il canale particellare tradizionale domina. Sorprendentemente, tuttavia, gli autori hanno trovato molti composti in cui la parte coerente è considerevole e in alcuni casi paragonabile a quella particellare. Alcune forme complesse di carburo di silicio, con molti atomi e branche vibrazionali densamente affollate, mostrano contributi coerenti particolarmente grandi. Ciò suggerisce che il trasporto del calore di tipo ondulatorio, spesso trascurato nella modellizzazione pratica, può essere importante anche in cristalli altrimenti ad alta conducibilità.

Insegnare alle reti neurali a leggere i progetti atomici

Per andare oltre i costosi calcoli brute-force, il gruppo ha addestrato reti neurali basate su grafi che prendono la struttura atomica di un cristallo e predicono la sua conducibilità termica — incluso come il contributo si accumula al variare del percorso medio libero delle vibrazioni. Variando la dimensione del set di addestramento da poche centinaia a diverse migliaia di materiali, hanno identificato una chiara legge di scaling: gli errori di predizione si riducono in modo prevedibile con l’aumentare dei dati, analogamente alle tendenze osservate nei grandi modelli linguistici. Con questi modelli addestrati, gli autori hanno screeningato centinaia di migliaia di cristalli ipotetici dal database GNoME di DeepMind, per poi eseguire calcoli quantistici completi su un sottoinsieme dei candidati più promettenti per conducibilità termiche eccezionalmente alte o basse.

Trovare gli estremi: super-conduttori e super-isolanti

Lo screening ha portato alla luce nuovi materiali candidati agli estremi della conduzione termica. Alcuni composti ricchi di idrogeno contenenti atomi molto pesanti hanno mostrato alta conducibilità termica perché le loro vibrazioni si separano nettamente in modi a bassa frequenza associati agli atomi pesanti e modi ad alta frequenza degli atomi leggeri, riducendo le dispersioni distruttive. All’estremo opposto, complesse strutture a base di cesio hanno mostrato conduttività termica molto bassa, con vibrazioni fortemente mescolate distribuite su molti atomi e frequenze, favorendo intense dispersioni e scarso flusso di calore. Sebbene alcuni di questi cristalli possano essere difficili da sintetizzare, i motivi strutturali comuni offrono indizi preziosi per progettare sia «autostrade termiche» altamente conduttive sia «muri termici» altamente resistivi.

Cosa significa per i materiali del futuro

In termini pratici, questo lavoro offre due avanzamenti chiave: una grande libreria ad accesso aperto che cattura come gli atomi in migliaia di cristalli realmente oscillano e collidono, e un insieme di modelli di machine learning che possono leggere quei progetti atomici per prevedere quanto bene un materiale trasporterà calore. Insieme, forniscono una scorciatoia potente per scoprire dissipatori termici migliori per l’elettronica, termoelettrici migliorati per la raccolta di energia e materiali avanzati per tecnologie in cui controllare il calore è importante tanto quanto controllare l’elettricità. Man mano che la banca dati cresce e include effetti vibrazionali ancora più sottili, questi strumenti sono pronti a rendere la ricerca di nuovi materiali termici più rapida, meno costosa e molto più sistematica rispetto alla sperimentazione per tentativi ed errori.

Citazione: Ohnishi, M., Deng, T., Torres, P. et al. Database and deep-learning scalability of anharmonic phonon properties by automated brute-force first-principles calculations. npj Comput Mater 12, 150 (2026). https://doi.org/10.1038/s41524-026-02033-w

Parole chiave: conduttività termica del reticolo, banca dati di fononi, vibrazioni anharmoniche, informatica dei materiali, reti neurali su grafi