人工智能预测光学特性以加速能源和量子材料的发现

东北大学和麻省理工学院 (MIT) 的研究人员推出了一种新的高质量光谱人工智能工具，其精度与量子模拟相同，但工作速度快一百万倍，有可能加速光伏和量子材料的开发。

了解材料的光学特性对于开发 LED、太阳能电池、光电探测器和光子集成电路等光电器件至关重要。这些器件对于半导体行业当前的复苏至关重要。

传统的利用物理基本定律的计算手段涉及复杂的数学计算和巨大的计算能力，导致难以快速测试大量材料。克服这一挑战可能会发现用于能量转换的新型光伏材料，并通过其对材料的基本物理原理有更深入的了解。。

由东北大学跨学科前沿研究所 (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 领导的团队就做到了这一点，他们介绍了一种新的人工智能模型仅使用材料的晶体结构作为输入来预测各种光频率的光学特性。

主要作者 Nguyen 和他的同事最近发表他们在一篇开放获取论文中的发现先进材料。

“光学是凝聚态物理的一个令人着迷的方面，它受Nguyen 说，“这就是所谓的 Kramers-Krönig (KK) 关系。”一旦知道一种光学特性，所有其他光学特性都可以使用 KK 关系推导出来。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。

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

然而，虽然 GNN 在预测材料特性方面表现出了希望，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 解释说：“这种集成嵌入超越了人类直觉，但广泛适用于提高预测精度，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很容易地集成到任何机器学习架构中，从而可能对数据科学产生深远的影响，”李明达说。

该方法能够仅基于晶体结构进行高精度光学预测，使其适用于多种应用，例如筛选高性能材料并检测。

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