[論文レビュー] Physics-Informed Deep Learning for Solving Phonon Boltzmann Transport Equation with Large Temperature Non-Equilibrium

Ruiyang Li, Jianxun Wang+2 more|arXiv (Cornell University)|Jan 12, 2022

Thermal properties of materials被引用数 6

ひとこと要約

この論文は、任意の温度勾配下で、学習データを必要とせずに定常的でモード分解されたフォノンボルツマン輸送方程式（BTE）を解くための物理情報付きニューラルネットワーク（PINN）を導入する。長さスケールと温度勾配を入力変数として扱い、温度依存の緩和時間を取り入れることで、1次元から3次元の系にわたりフォノン輸送を高精度に予測する。これにより、大規模な非平衡状態下でも、高精度かつ効率的なデバイススケールの熱伝導シミュレーションが可能になる。

ABSTRACT

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.

研究の動機と目的

• 計算の扱いやすさを確保するため、従来のフォノンBTEソルバが小さな温度勾配を仮定するという制限を克服すること。
• 先進的なナノスケールデバイスで一般的な大規模な非平衡状態下でも、フォノン輸送を高精度にシミュレートできること。
• 物理法則を活用して、ラベル付きデータを一切必要としないデータフリーなディープラーニングフレームワークを構築し、定常的でモード分解されたフォノンBTEを解くこと。
• 1次元から3次元の幾何形状における手法の有効性を示し、効率的なデバイススケールの熱設計への応用可能性を検証すること。
• 微分可能なニューラルネットワークフレームワークに温度依存のフォノン緩和時間を組み込み、物理的整合性を向上させること。

提案手法

• ラベル付きデータを必要とせず、定常的フォノンBTEを解くために物理情報付きニューラルネットワーク（PINN）を採用する。
• PINNアーキテクチャは、長さスケールと温度勾配をネットワークの入力変数として扱い、多様な熱的条件下での一般化を可能にする。
• 物理的一致性を確保するため、温度依存のフォノン緩和時間を損失関数に組み込む。
• 自動微分を用いて、BTEの残差、境界条件、連続性制約を損失関数に組み込む。
• 損失関数はBTEの残差、境界条件、物理的制約を組み合わせており、方程式の弱形式における誤差を最小化するようにネットワークを訓練する。
• 1次元および3次元の設定にこの手法を適用し、大温度勾配下でのスケーラビリティと正確性を示した。

実験結果

リサーチクエスチョン

• RQ1 任意の温度勾配下で、物理情報付きディープラーニングフレームワークが定常的でモード分解されたフォノンボルツマン輸送方程式を正確に解けるか？
• RQ2 温度依存の緩和時間を組み込むことで、PINNの解の正確性と物理的一致性はどのように向上するか？
• RQ3 ラベル付き学習データを一切必要としない状況で、PINNは長さスケールや温度勾配の異なる条件にどの程度一般化できるか？
• RQ4 3次元幾何形状においても、PINNは高精度を維持しながら、デバイススケールの熱シミュレーションにおいて計算効率を保てるか？
• RQ5 大規模な非平衡状態下での熱伝導を捉える際、PINNは従来の数値ソルバーよりも優れた性能を示すか？

主な発見

• 従来のソルバが単純化仮定を要する状況でも、PINNは任意の温度勾配下で1次元および3次元系におけるフォノン輸送を高精度に予測する。
• ラベル付きデータを一切必要とせず、損失関数に組み込まれた物理法則に依存して高精度を達成する。
• 温度依存の緩和時間を組み込むことで、さまざまな熱的条件下で解の物理的整合性が顕著に向上する。
• 異なる長さスケールや温度勾配にわたる強力な一般化能力を示し、効率的なデバイススケールの熱シミュレーションを可能にする。
• 数値実験により、PINNが複雑な3次元幾何形状でも正確性と安定性を維持しており、大規模な非平衡状態下で従来手法を上回ることが確認された。
• 標準的な数値ソルバーよりも計算コストを低減しつつ、現実的なナノスケールデバイスにおけるフォノン熱伝導のシミュレーションが可能になった。