新的机器学习模型快速准确地预测介电函数
作者：by University of Tokyo
东京大学的研究人员 Tomohito Amano 和 Shinji Tsuneyuki 以及 CURIE（JSR-UTokyo Collaboration Hub）的 Tamio Yamazaki 开发了一种新的机器学习模型来预测材料的介电函数，而不是根据第一原理进行计算。
介电函数测量材料内负电荷和正电荷的极化，这是其背后的现象介电材料。因此，快速准确地预测介电功能有助于新型介电材料的开发，这是 6G 网络等许多尖端技术的组成部分。
研究结果是发表在日记中物理复习B。
尽管介电材料可能不像半导体那样广为人知，但它们在改进现代电子系统方面具有巨大潜力。介电材料的导电性不好，但它们也不是绝缘体。相反，当放置在电场，材料内的正电荷向电场移动，并且负电荷远离它，导致电介质极化。
介电函数是极化强度的量度。然而，计算介电函数意味着使用第一原理来计算它量子力学，一个计算缓慢且繁重的过程。
“电介质的研究对于基础科学和应用科学都很重要，”第一作者天野说。“从根本上讲，电介质可以帮助阐明材料如何响应电场的微观起源。在应用方面，用于高速通信的低介电聚合物材料最近引起了人们的关注。”
于是，研究人员着手开发一种机器学习模型这有助于应对这些挑战。他们通过对各种材料的电子态进行第一原理计算来生成算法的训练数据。
此外，他们的模型不是基于单个分子的传统计算，而是基于原子之间的化学键。然后，研究人员通过将模型的结果与甲醇和乙醇等简单分子的经验数据进行比较，检查了模型的准确性。
该模型取得了成功。它不仅以接近第一原理计算的精度描述了各种材料的电子态，而且计算负担很小。该模型还被证明对于大规模和长时间的模拟是有用的。
由于计算成本一直是限制因素，该模型首次使得解决多分子系统介电特性的宏观起源成为可能。
尽管取得了这些成就，天野之弥已经在展望未来。“在这项工作中，我们研究了简单分子的介电特性，但应用于更多复杂分子，包括聚合物，还有待完成。因此，我们还计划构建一个可以在工业中使用的通用神经网络。”
更多信息：Tomohito Amano 等人，基于化学键的偶极矩机器学习模型：应用于液体甲醇和乙醇的介电特性，物理复习B（2024）。DOI：10.1103/PhysRevB.110.165159
引文:新的机器学习模型快速准确地预测介电函数（2024 年 10 月 25 日）检索日期：2024 年 10 月 25 日来自 https://phys.org/news/2024-10-machine-quickly-accurately-dielectric-function.html
本文档受版权保护。除了出于私人学习或研究目的的任何公平交易外，不得未经书面许可，不得复制部分内容。所提供的内容仅供参考。
关于《新的机器学习模型快速准确地预测介电函数》的评论
暂无评论