人工智慧預測光學特性以加速能源和量子材料的發現

東北大學和麻省理工學院(MIT) 的研究人員推出了一種新的高品質光譜人工智慧工具，其精度與量子模擬相同，但工作速度快一百萬倍，有可能加速光伏和量子材料的開發。

了解材料的光學特性對於開發 LED、太陽能電池、光電探測器和光子積體電路等光電裝置至關重要。這些裝置對於半導體產業目前的復甦至關重要。

傳統的利用物理基本定律的計算手段涉及複雜的數學計算和巨大的計算能力，導致難以快速測試大量材料。克服這項挑戰可能會發現用於能量轉換的新型光伏材料，並透過其對材料的基本物理原理有更深入的了解。。

由東北大學跨學科前沿研究所 (FRIS) 助理教授 Nguyen Tuan Hung 和麻省理工學院核科學與工程系 (NSE) 副教授 Mingda Li 領導的團隊就做到了這一點，他們介紹了一種新的人工智慧模型僅使用材料的晶體結構作為輸入來預測各種光頻率的光學特性。

主要作者 Nguyen 和他的同事最近發表他們在一篇開放取用論文中的發現先進材料。

「光學是凝聚態物理學的一個令人著迷的方面，它受Nguyen 說，「這就是所謂的 Kramers-Krönig (KK) 關係。」一旦知道一種光學特性，所有其他光學特性都可以使用 KK 關係推導出來。觀察人工智慧模型如何透過這種關係掌握物理概念是很有趣的。

由於雷射波長的限制，在實驗中獲得具有完整頻率覆蓋的光譜具有挑戰性。模擬也很複雜，需要很高的收斂標準並產生大量的計算成本。因此，科學界長期以來一直在尋找更有效的方法來預測各種材料的光譜。

「用於光學預測的機器學習模型稱為圖（GNN），”麻省理工學院化學研究生 Ryotaro Okabe 指出。“GNN 通過將原子表示為圖節點並將原子間鍵表示為圖邊來提供分子和材料的自然表示。

然而，雖然 GNN 在預測材料特性方面表現出了希望，但它們缺乏通用性，尤其是在晶體結構的表示方面。為了解決這個難題，Nguyen 和其他人設計了一個通用的整合嵌入，透過創建多個模型或演算法來統一資料表示。

麻省理工學院電氣工程和計算機科學研究生 Abhijatmedhi Chotrattanapituk 解釋說：“這種集成嵌入超越了人類直覺，但廣泛適用於提高預測精度，而不影響神經網絡結構。”

整合嵌入方法是一種通用層，可以無縫應用於任何神經網路模型，而無需修改神經網路結構。 「這意味著通用嵌入可以輕鬆整合到任何機器學習架構中，從而可能對資料科學產生深遠的影響，」李明達說。

此方法能夠僅基於晶體結構進行高精度光學預測，使其適用於多種應用，例如篩選高性能材料並檢測。

展望未來，研究人員的目標是開發各種材料特性（例如機械和磁性特性）的新資料庫，以增強人工智慧模型僅根據晶體結構預測材料特性的能力。