东北大学和麻省理工学院(MIT)的研究人员推出了一种新的人工智能工具，用于高质量的光谱，其精度与量子模拟相同，但工作速度要快100万倍，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(如led、太阳能电池、光电探测器和光子集成电路)至关重要。这些设备是半导体行业当前复苏的关键。

利用物理基本定律的传统计算方法涉及复杂的数学计算和巨大的计算能力，难以快速测试大量材料。克服这一挑战可能会导致发现用于能量转换的新型光伏材料，并通过其光谱对材料的基本物理学有更深入的了解。

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领导的一个团队做到了这一点，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，预测了广泛光频范围内的光学特性。

主要作者Nguyen和他的同事最近在《先进材料》杂志上发表了一篇开放获取的论文。

“光学是凝聚态物理的一个迷人的方面，由称为Kramers-Kr?nig (KK)关系的因果关系支配，”Nguyen说。一旦一种光学性质已知，所有其他光学性质都可以通过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，在实验中获得完全频率覆盖的光谱是具有挑战性的。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被称为图神经网络(gnn)，”麻省理工学院化学研究生Ryotaro Okabe指出。“通过将原子表示为图节点，将原子间键表示为图边，gnn提供了分子和材料的自然表示。”

然而，虽然gnn在预测材料性质方面表现出了希望，但它们缺乏通用性，特别是在晶体结构的表示方面。为了解决这个难题，Nguyen和其他人设计了一个通用集成嵌入，即创建多个模型或算法来统一数据表示。

麻省理工学院电子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的直觉，但广泛适用于在不影响神经网络结构的情况下提高预测精度。”

集成嵌入方法是一种通用层，可以在不改变神经网络结构的情况下无缝应用于任何神经网络模型。“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，可能对数据科学产生深远的影响，”李明达说。

这种方法可以实现基于晶体结构的高精度光学预测，使其适用于各种应用，例如高性能太阳能电池的筛选材料和检测量子材料。

展望未来，研究人员的目标是为各种材料特性(如机械和磁性)开发新的数据库，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。