[논문 리뷰] Physics-Informed Deep Learning for Solving Phonon Boltzmann Transport Equation with Large Temperature Non-Equilibrium

Ruiyang Li, Jianxun Wang외 2명|arXiv (Cornell University)|2022. 01. 12.

Thermal properties of materials인용 수 6

한 줄 요약

이 논문은 훈련 데이터가 필요 없이 임의의 온도 기울기 하에서 정적인 모드 해상도가 있는 열운동론적 운동 방정식(BTE)을 해결하기 위해 물리 기반 신경망(PINN)을 소개한다. 길이 척도와 온도 기울기를 입력 변수로 간주하고, 온도에 따라 변화하는 비탄성 시간을 통합함으로써 PINN은 1차원에서 3차원 시스템에 걸쳐 열파동 운반을 정확하게 예측한다. 이는 큰 비평형 조건에서도 높은 정확도로 효율적인 장치 수준의 열전도 시뮬레이션을 가능하게 한다.

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.

연구 동기 및 목표

• 계산의 타당성을 확보하기 위해 작은 온도 기울기를 가정하는 전통적인 열파동 BTE 해석기의 한계를 극복하기 위해.
• 고급 나노스케일 장치에서 흔한 큰 온도 비평형 조건 하에서도 열파동 운반을 정확하게 시뮬레이션할 수 있도록 하기 위해.
• 정적이고 모드 해상도가 있는 열파동 BTE를 해결하기 위해 물리 법칙을 활용하는 데이터 없는 딥러닝 프레임워크를 개발하기 위해.
• 1차원에서 3차원 기하구조에서의 방법의 능력을 입증하고, 효율적인 장치 수준의 열설계 잠재력을 보여주기 위해.
• 물리적 정확도를 향상시키기 위해 온도에 따라 변화하는 열파동 비탄성 시간을 기울기 가능한 신경망 프레임워크에 통합하기 위해.

제안 방법

• 라벨이 없는 데이터가 필요 없이 정적 열파동 BTE를 해결하기 위해 물리 기반 신경망(PINN)을 사용한다.
• PINN 아키텍처는 네트워크의 입력 변수로 길이 척도와 온도 기울기를 모두 취함으로써 다양한 열조건에서의 일반화를 가능하게 한다.
• 물리적 일관성을 확보하기 위해 온도에 따라 변화하는 열파동 비탄성 시간을 손실 함수에 통합한다.
• 자동 미분를 통해 BTE 잔여항, 경계 조건, 연속성 제약 조건을 손실 함수에 강제 적용한다.
• 손실 함수는 BTE 잔여항, 경계 조건, 물리적 제약 조건을 조합하여 정의되며, 방정식의 약한 형태에서의 오차를 최소화한다.
• 이 방법은 1차원 및 3차원 구성 요소에 적용되어 큰 온도 기울기 하에서도 확장성과 정확도를 입증한다.

실험 결과

연구 질문

• RQ1 물리 기반 딥러닝 프레임워크는 임의의 온도 기울기 하에서 정적이고 모드 해상도가 있는 열파동 운동 방정식(BTE)을 정확하게 해결할 수 있는가?
• RQ2 온도에 따라 변화하는 비탄성 시간의 통합은 PINN 해법의 정확도와 물리적 일관성에 어떤 영향을 미치는가?
• RQ3 라벨이 있는 훈련 데이터가 필요 없이 PINN가 다양한 길이 척도와 온도 기울기 사이에서 얼마나 잘 일반화되는가?
• RQ4 PINN는 장치 수준의 열전도 시뮬레이션에서 계산 효율성을 유지하면서도 3차원 기하구조에서 높은 정확도를 달성할 수 있는가?
• RQ5 큰 비평형 조건 하에서 전통적인 수치 해석기와 비교했을 때 PINN는 열전도를 어떻게 포착하는가?

주요 결과

• 전통적 해석기가 단순화된 가정이 필요로 하는 조건에서도 PINN는 임의의 온도 기울기 하에서 1차원 및 3차원 시스템에서 열파동 운반을 정확하게 예측한다.
• 이 방법은 라벨이 없는 데이터가 전혀 필요 없이 오직 손실 함수에 코딩된 물리 법칙에 의존하여 높은 정확도를 달성한다.
• 온도에 따라 변화하는 비탄성 시간의 통합은 다양한 열조건에서 해법의 물리적 정확도를 크게 향상시킨다.
• 이 프레임워크는 다양한 길이 척도와 온도 기울기 사이에서 강력한 일반화 능력을 보이며, 효율적인 장치 수준의 열전도 시뮬레이션을 가능하게 한다.
• 수치 실험은 PINN가 복잡한 3차원 기하구조에서 정확도와 안정성을 유지하며, 큰 비평형 조건 하에서 기존 접근법을 능가함을 확인한다.
• 이 방법은 기존 수치 해석기보다 계산 비용을 줄이며 실제 나노스케일 장치에서 열파동 열전도를 시뮬레이션할 수 있도록 한다.