人工智能预测光学特性加速能源和量子材料的发现

日本东北大学和麻省理工学院 (MIT) 的研究人员推出了一种新型 AI 工具，用于获得高质量光谱，其精度与量子模拟相同，但运行速度快一百万倍，有可能加速光伏和量子材料的发展。

了解材料的光学特性对于开发光电器件(例如 LED、太阳能电池、光电探测器和光子集成电路)至关重要。这些器件是半导体行业当前复苏的关键。

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，难以快速测试大量材料。克服这一挑战可能导致发现用于能量转换的新型光伏材料，并通过材料的光谱更深入地理解其基本物理。

由东北大学前沿跨学科科学研究所 (FRIS) 助理教授 Nguyen Tuan Hung 和麻省理工学院核科学与工程系 (NSE) 副教授 Mingda Li 领导的团队做到了这一点，他们引入了一种新的人工智能模型，该模型仅使用材料的晶体结构作为输入，就可以预测很宽光频率范围内的光学特性。

主要作者 Nguyen 和他的同事最近在《先进材料》杂志的一篇开放获取论文中发表了他们的研究成果。

“光学是凝聚态物理学中一个令人着迷的方面，受因果关系(称为克拉默斯-克罗尼格 (KK) 关系)支配，”Nguyen 说。“一旦知道了一种光学特性，就可以使用 KK 关系推导出所有其他光学特性。观察人工智能模型如何通过这种关系掌握物理概念是很有趣的。”

由于激光波长的限制，在实验中获得具有完整频率覆盖的光谱具有挑战性。模拟也很复杂，需要很高的收敛标准并产生大量的计算成本。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谱。

麻省理工学院化学研究生 Ryotaro Okabe 指出： “用于光学预测的机器学习模型称为图神经网络(GNN)。GNN 通过将原子表示为图节点、将原子间键表示为图边，提供了分子和材料的自然表示。”

然而，尽管 GNN 在预测材料特性方面表现出了良好的前景，但它们缺乏通用性，尤其是在晶体结构的表示方面。为了解决这个难题，Nguyen 和其他人设计了一种通用的集成嵌入，通过创建多个模型或算法来统一数据表示。

麻省理工学院电气工程和计算机科学研究生 Abhijatmedhi Chotrattanapituk 解释道：“这种集成嵌入超越了人类的直觉，但可广泛应用于提高预测准确性而不影响神经网络结构。”

集成嵌入方法是一种通用层，可以无缝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集成到任何机器学习架构中，可能会对数据科学产生深远影响，”Mingda Li 说。

该方法可以实现仅基于晶体结构的高精度光学预测，适用于筛选高性能太阳能电池材料、检测量子材料等多种应用。

展望未来，研究人员的目标是开发各种材料特性(如机械特性和磁性特性)的新数据库，以增强人工智能模型仅基于晶体结构预测材料特性的能力。