极光早期科学计划促进创造更高效的太阳能电池
寻找能使光伏太阳能电池更高效的新材料是一项挑战，这已使当前的超级计算资源消耗殆尽。这就是为什么许多学术机构正在与卡内基梅隆大学合作解决这一问题。这些努力希望利用美国能源部(DOE)阿贡国家实验室即将推出的百亿亿次计算机“极光”来进一步研究。
Argonne ESP在系统启动前选择项目在Aurora上测试运行
阿贡领导计算设施(ALCF)是美国能源部科学用户设施办公室，主持早期科学计划(ESP)，以确保其下一代系统已准备就绪。来自国家实验室和大学的15个ESP计算科学和工程研究项目被选中，准备在阿贡的极光百亿亿次超级计算机上运行，这台超级计算机计划于明年发射。数据和学习项目支持ALCF努力创建一个环境，使数据科学和机器学习方法与传统的基于模拟的研究相结合。这些团队会得到实际的帮助，使用现有的系统和早期的Aurora硬件，为新架构移植和优化他们的应用程序。
卡内基梅隆大学项目:研究制造更高效太阳能电池的潜在材料
卡内基梅隆大学领导的一个ESP团队计划利用极光来寻找可以提高太阳能电池效率的材料。卡内基梅隆大学的团队在他们的研究中广泛使用机器学习工具，并正在与BerkeleyGW、SISSO和Dragonfly软件的开发人员合作，准备在Aurora系统上运行。Noa Marom(卡内基梅隆大学材料科学与工程系助理教授)是该项目的首席研究员。联合主要研究人员包括:来自劳伦斯伯克利国家实验室(LBNL)的Jack Deslippe，他是该系统的主要开发者BerkeleyGW代码;Luca Ghiringhelli(马克斯·普朗克学会弗里茨·哈伯研究所)和SISSO机器学习软件）;Barnabás Póczos(卡内基梅隆大学机器学习系副教授)。
根据Marom的说法，“我们研究的目标是找到使光伏太阳能电池更高效的新材料。寻找任何可以实现新技术的新材料都是具有挑战性的。我们正在研究的材料具有独特的性质，使它们适合用于太阳能电池，而这些性质在广泛的可能材料中是非常罕见和难以找到的。我们正试图通过在高性能计算机(HPC)上使用复杂的量子力学模拟软件和机器学习(ML)工具进行计算机模拟来加速材料发现的过程。我们很高兴我们的项目已经被接受为将在未来的Aurora超级计算机上运行的项目之一，作为Argonne ESP计划的一部分。我们的多机构团队目前正在修改算法和工作流程，以便能够在Aurora上运行。”
增加太阳能电池电流的研究
太阳能电池将来自太阳的光子转换成电能。当一个光子被吸收时，一个电子从占据状态提升到未占据状态，留下一个带正电的“空穴”。电子和空穴在静电力的作用下相互吸引，形成一种叫做激子的束缚复合体。激子被分离并转化为电流。通常一个光子转换成一个载流子。卡内基梅隆大学的研究小组正在寻找一种可以经受单线态裂变(旧金山)，一个光产生的单线态(自旋相同)激子转化为两个三重态(自旋相反)激子的过程。通过从一个光子中获取两个载流子，这可能会显著提高太阳能电池的效率。该研究的目标是寻找能够经受SF的稀有材料，以提高太阳能电池的效率。
图1显示了带和不带单线态裂变(SF)的激子收获示意图。当一个光子被吸收时，就会产生一个单线态激子(绿色)。(A)没有SF，单线态激子只产生一个载流子。(B)使用SF，一个单线态激子转换为两个三态激子(橙色)，产生两个载流子。箭头表示自旋。图片来源:王晓鹏，卡内基梅隆大学提供
根据Marom的说法，寻找可以发生单线子裂变的材料就像大海捞针一样:“我们的团队使用机器学习(ML)工具来帮助加速用于发现新材料的计算机模拟。你必须在超级计算机上运行先进的理论模型来预测材料是否会发生单线态裂变。这些模拟的计算成本很高，这意味着它们需要数百万小时的计算机时间。使用最精确的模型和技术进行大规模的材料筛选和计算数十万种材料是不可行的。我们使用ML预测工具来构建低成本模型，这些模型计算速度快，与更复杂的模拟有很强的相关性。”
材料发现的多保真筛选方法
卡内基梅隆大学开发的多保真筛选方法将量子力学模拟与三个ML模型在两个保真级别上集成在一起。量子力学模拟数据采集是材料发现过程中的计算瓶颈。这是因为精确模拟的计算成本很高，而且必须对大量数据进行采样和分析。对候选材料进行采样，不仅可以发现潜在的SF候选材料，还可以训练ML模型。改进ML模型的预测需要对大范围的材料进行采样，包括那些不具备SF能力的材料。机器学习被用来决定对哪些材料进行采样，以什么样的保真度来最大化发现和获取信息的机会。
超级计算机和软件加速了研究
卡内基梅隆大学的研究目前正在进行θ的超级计算机阿贡国家实验室和NERSC的科妮这是世界上用于科学和大学研究的最快的高性能计算系统之一。Cori和Theta都是采用先进英特尔至强处理器的Cray系统。
并行化工作是在BerkeleyGW代码上完成的，这是用于数据采集的最精确的量子力学模拟之一。Deslippe说:“在材料科学和化学中使用的许多常见应用都是基于密度泛函理论，该理论仅适用于材料基态(最低能量态)的性质。BerkeleyGW是一个材料科学模拟包，可以预测材料的激发态特性，即材料如何响应光子吸收等刺激物。BerkeleyGW代码在NERSC的完整Cori系统上运行时高度并行化，并且已经针对超级计算机上运行的英特尔至强处理器进行了优化。虽然BerkeleyGW代码非常精确，但就运行代码所需的计算机时间而言，它通常被认为是昂贵的。我们的团队优化了BerkeleyGW代码，使其不仅是一个准确的预测工具，而且还可以在现代架构上达到峰值性能，这使得研究人员可以建模多达数万个原子，这在以前是不可能的。”
为极光超级计算机做准备
的美国能源部选择英特尔和克雷公司于2021年向阿贡国家实验室交付美国首批百亿亿次超级计算机之一“极光”。Aurora将基于未来几代英特尔至强可扩展处理器和英特尔Optane DC持久内存，以及新的英特尔XeGPU (Graphics Processing Unit)架构。
图2。Aurora超级计算机，阿贡国家实验室提供
卡内基梅隆大学的团队正在努力优化他们的工作流程，为在极光系统上运行做准备。阿贡领导计算设施的计算机科学家William Huhn说:“我们工作流程的主要计算费用是使用BerkeleyGW包预测光激发特性。BerkeleyGW从头开始编写，可扩展到数千个HPC节点，使其成为极光百亿亿次能力的天然候选。Aurora对机器学习框架的一流支持，特别是对Python库和ALCF的Balsam工作流管理器的广泛使用，将被证明对在Aurora上部署机器学习工作流有价值。”
随着先进的机器学习和阿贡新百亿亿次计算机的其他能力，寻找使光伏太阳能电池更高效的新材料应该更容易实现。
参考文献
1.苯基蒽衍生物作为分子间单线态裂变的候选分子，王晓鹏，刘兴宇，Rithwik Tom, Cameron Cook，§Bohdan Schatschneider和Noa Marom，物理化学杂志2019年123(10)，5890-5899 DOI: 10.1021/acs.jpcc.8b12549http://pubs.acs.org/action/showCitFormats?doi=10.1021/acs.jpcc.8b12549
2.王晓鹏，刘兴宇，王晓鹏，王晓鹏，Bohdan Schatschneider, Noa Marom，晶体四苯乙烯中单线态裂变的可能性，化学物理学报，148,184101 (2018);doi: 10.1063/1.5027553,https://doi.org/10.1063/1.5027553
Linda Barney是Barney and Associates的创始人和所有者，这是一家位于OR比弗顿的技术/营销写作、培训和网页设计公司。
本文是英特尔编辑计划的一部分，旨在突出由高性能计算和人工智能社区通过先进技术推动的前沿科学、研究和创新。bet188真人内容的发布者拥有最终的编辑权，并决定发表什么文章。
