人工智能预测光学性质以加速能源和量子材料的发现
作者：by Tohoku University
东北大学和麻省理工学院（MIT）的研究人员发布了一种新的AI工具，该工具可以生成高质量的光学光谱，其精度与量子模拟相同，但运行速度却快上百万倍，有望加速光伏和量子材料的发展。
理解材料的光学性质对于开发光电设备（如LED、太阳能电池、光探测器和光子集成电路）至关重要。这些设备是当前半导体行业复苏的关键。
传统的基于物理基本定律的计算方法涉及复杂的数学运算和巨大的计算能力，使得快速测试大量材料变得困难。克服这一挑战可能导致新型光伏材料的发现，从而促进能源转换，并通过这些材料更深入地理解物质的基本物理学。光学光谱.
由东北大学前沿跨学科科学研究所（FRIS）助理教授阮团雄和麻省理工学院核科学与工程系（NSE）副教授李明达领导的一个团队，开发了一种新的AI模型，该模型仅通过输入材料的晶体结构就能预测宽频谱光下的光学性质。
Nguyen等研究人员最近发表他们在开放访问论文中发表了他们的发现。先进材料.
光学是凝聚态物理学一个迷人的方面，受制于因果关系被称为克菜默斯-克罗尼格(KK)关系，"Nguyen说。"一旦知道了其中一个光学性质，就可以利用KK关系推导出所有其他的光学性质。观察AI模型如何通过这种关系掌握物理概念是非常有趣的。"
在实验中由于激光波长的限制，获得完整频率覆盖的光学光谱是很具挑战性的。模拟也是复杂的，需要很高的收敛标准，并且会带来显著的计算成本。因此，科学界长期以来一直在寻找更有效的方法来预测各种材料的光学光谱。
用于光学预测的机器学习模型称为图模型神经网络“(图神经网络GNNs）”麻省理工学院的化学研究生RYOTARO OKABE指出，“GNNs通过将原子表示为图形节点，将原子间的键表示为图形边来提供分子和材料的自然表示方法。”
然而，尽管图神经网络（GNNs）在预测材料性质方面显示出潜力，它们缺乏普遍性，尤其是在晶体结构的表示方面。为了克服这一难题，Nguyen等人设计了一种通用集合嵌入方法，通过创建多个模型或算法来统一数据表示。
这种集合嵌入超出了人类的直觉，但广泛适用于在不影响神经网络结构的情况下提高预测准确性，麻省理工学院电气工程与计算机科学研究生Abhijatmedhi Chotrattanapituk解释道。
集成嵌入方法是一种通用层，可以无缝地应用于任何神经网络模型而无需修改神经网络结构。“这意味着通用嵌入可以轻松融入任何机器学习架构，可能会对数据科学产生深远的影响，”明达·李说。
该方法仅基于晶体结构就能实现高度精确的光学预测，适用于多种应用，如高性能材料筛选太阳能电池检测量子材料.
展望未来，研究人员旨在开发各种材料属性的新数据库，例如机械和磁性特性，以增强人工智能模型仅基于晶体结构预测材料属性的能力。
更多信息：阮团雄等，通用集成嵌入图神经网络直接预测晶体结构的光学谱线先进材料 (2024). DOI: 10.1002/adma.202409175
引用AI预测光学性质以加速能源和量子材料的发现（2024年10月7日） 检索于2024年10月7日 从 https://phys.org/news/2024-10-ai-optical-properties-discovery-energy.html
本文件受版权保护。除个人研究或学习目的的合理使用外，未经书面许可，不得以任何形式复制。所提供的内容仅作信息用途。
暂无评论