Advanced Materials: ИИ ускоряет открытие энергетических и квантовых материалов

Новый инструмент на основе искусственного интеллекта для получения высококачественных оптических спектров создали исследователи из Университета Тохоку и Массачусетского технологического института. Он работает в миллион раз быстрее, чем при квантовом моделировании, но с той же точностью.

Открытие может ускорить разработку фотоэлектрических и квантовых материалов для оптоэлектронных устройств, таких как светодиоды, солнечные батареи, фотодетекторы и фотонные интегральные схемы. Эти устройства играют важную роль в полупроводниковой промышленности.

Традиционные методы расчёта требуют сложных вычислений и мощных компьютеров, что затрудняет быстрое тестирование материалов.

Команда учёных под руководством Нгуена Туан Хунга и Мингды Ли разработала новую модель искусственного интеллекта. Она предсказывает оптические свойства материалов, используя только данные об их кристаллической структуре. Это может помочь в создании новых фотоэлектрических материалов и более глубоком понимании фундаментальной физики.

Результаты исследования опубликованы в журнале Advanced Materials.

Оптика — это увлекательный раздел физики, который изучает свойства конденсированных сред. Одно из них связано с остальными через связь Крамерса-Крёнига (КК). Нгуен говорит, что если известно одно оптическое свойство, то можно получить все остальные с помощью связи КК. Интересно наблюдать, как искусственный интеллект осваивает физические концепции благодаря этому соотношению.

Получение оптических спектров в экспериментах сложно из-за ограничений на длину волны лазера. Моделирование тоже непростая задача: оно требует высокой точности и больших вычислительных ресурсов. Поэтому научное сообщество давно ищет более эффективные методы предсказания оптических свойств различных материалов.

Модели машинного обучения, которые предсказывают оптические спектры, называются графовыми нейронными сетями (ГНС), — говорит Рётаро Окабе, аспирант химического факультета Массачусетского технологического института.

Атомы в таких сетях представлены как узлы графа, а межатомные связи — как его рёбра. GNN хорошо справляются с предсказанием свойств материалов, но не всегда могут работать с кристаллическими структурами.

Чтобы решить эту проблему, Нгуен и другие учёные предложили универсальное встраивание ансамбля. Оно объединяет несколько моделей или алгоритмов для работы с данными.

Ансамблевое встраивание помогает сделать предсказания точнее, при этом не меняя структуру нейронных сетей. Это сложный метод, но он широко применяется, — объясняет Абхиджатмедхи Чотраттанапитук, аспирант факультета электротехники и информатики Массачусетского технологического института.

Метод ансамблевого встраивания — это универсальный слой, который можно добавить в любую нейросетевую модель. Это может сильно повлиять на науку о данных.

С помощью этого метода можно делать высокоточные прогнозы на основе только кристаллических структур. Поэтому он подходит для разных задач: например, для отбора материалов для солнечных батарей или обнаружения квантовых материалов.

В будущем исследователи хотят создать новые базы данных о свойствах материалов, таких как механические и магнитные характеристики. Так модель искусственного интеллекта сможет точнее предсказывать свойства материалов по их кристаллическим структурам.

08.10.2024