寻找新的LED、太阳能电池和光探测器需要深入了解材料的光学特性,这通常是一个耗时且资源密集的过程。然而,研究人员推出了一种突破性的AI工具,它可以比传统量子模拟更快地预测这些光学特性。
来自东北大学和麻省理工学院(MIT)的合作团队开发了一种新型AI工具,能够生成与量子模拟同等精度的高质量光谱,但速度快达百万倍。这一创新可能会大大增强光伏和量子材料的开发。
掌握材料的光学特性对于制造光电设备(包括LED、太阳能电池、光探测器和光子集成电路)至关重要。这些设备在当前半导体产业的复兴中发挥了关键作用。
传统的光学特性计算方法涉及复杂的数学方程和大量的计算资源,使得快速评估广泛材料变得具有挑战性。克服这一障碍可能会导致新型光伏材料的识别以及通过其光谱更深入地理解材料的基本物理性质。
由东北大学前沿跨学科科学研究所(FRIS)的助理教授阮俊鸿和麻省理工学院核科学与工程系的副教授李明达领导的团队,通过创建一种新的AI模型来实现这一目标,该模型能够利用材料的晶体结构作为输入,预测广泛光频率范围内的光学特性。
第一作者阮俊鸿及其同事在《先进材料》期刊上发表了他们的研究成果。
阮俊鸿解释道:“光学是凝聚态物理学中一个迷人的领域,由克拉默斯-克朗尼希(KK)关系所调控。一旦确定了一种光学特性,就可以利用KK关系推导出所有其他特性。看到AI模型如何通过这种关系学习物理概念,非常吸引人。”
在实验中获得覆盖全频范围的光谱面临激光波长限制带来的挑战。仿真也很复杂,需要严格的收敛标准和大量的计算成本。因此,科学界长久以来一直寻求更高效的方法来预测不同材料的光学光谱。
麻省理工学院的化学研究生冈部亮太郎指出:“用于光学预测的机器学习模型被称为图神经网络(GNNs)。GNNs通过将原子建模为图的节点,将原子间连接建模为图的边,有效地表示分子和材料。”
尽管GNNs在预测材料属性方面具有潜力,但它们通常并非普遍适用,特别是在晶体结构的表示方面。为了解决这个问题,阮俊鸿及其团队建立了一种通用集合嵌入,结合多个模型或算法以标准化数据表示。
麻省理工学院电气工程与计算机科学研究生阿比雅特梅迪·乔特拉坦皮图克表示:“这种集合嵌入超出了人类的直觉,并且广泛适用,提高了预测准确性而不改变神经网络的结构。”
集合嵌入技术充当一个通用层,可以轻松集成到任何神经网络模型中,而无需更改基础网络设计。“这意味着通用嵌入可以快速并入任何机器学习框架,这可能对数据科学产生重大影响,”李明达说。
得益于这一方法,该AI工具能够仅使用晶体结构提供高精度的光学预测,使其非常适合用于多种应用,例如评估先进太阳能电池的材料和识别量子材料。
展望未来,研究人员计划创建包含各种材料属性(包括机械和磁性特征)的新数据库,以进一步增强AI模型仅根据晶体结构预测材料属性的能力。