Popular science work
據(jù)美國趣味工程網(wǎng)站近日報道，日本東北大學(xué)和美國麻省理工學(xué)院科學(xué)家，成功開發(fā)出一款新人工智能（AI）模型GNNOpt。該模型能以與量子模擬相同的精度預(yù)測材料的光學(xué)性質(zhì)，但速度能快100萬倍。研究團隊表示，這一重要進展有望加速光伏和量子材料的研發(fā)步伐。
推進太陽能電池、光子集成電路以及量子計算等領(lǐng)域的發(fā)展，離不開對材料光學(xué)特性的深入了解。但現(xiàn)有的實驗方法，如激光測試，受到光波波長范圍的限制。而模擬計算成本高昂，且需要滿足嚴格的標準。因此，科學(xué)家一直在尋找替代方法，以快速預(yù)測不同材料的光學(xué)性質(zhì)。
此前，圖形神經(jīng)網(wǎng)絡(luò)（GNN）機器學(xué)習(xí)模型已經(jīng)問世。這種模型通過將原子表示為圖形中的節(jié)點，原子鍵表示為圖形的邊，可形象地表示分子和材料。但GNN在捕捉晶體復(fù)雜結(jié)構(gòu)之間的細微差別方面存在困難，這限制了它在預(yù)測材料特性方面的廣泛應(yīng)用。
新AI模型則另辟蹊徑，以材料的晶體結(jié)構(gòu)為輸入，能在極短時間內(nèi)，以驚人的準確性，在更寬的光頻率范圍內(nèi)預(yù)測材料的光學(xué)特性。一旦科學(xué)家掌握某種光學(xué)性質(zhì)，就可借助相關(guān)公式，推導(dǎo)出其他光學(xué)性質(zhì)。
新AI模型成功的秘訣在于“集成嵌入”技術(shù)。這項技術(shù)賦予了AI從多種數(shù)據(jù)集中學(xué)習(xí)的能力，使其變得更加精確且通用。
研究團隊稱，他們的新AI模型能夠準確預(yù)測晶體結(jié)構(gòu)的光學(xué)性質(zhì)，為廣泛應(yīng)用打開了大門，特別是為先進太陽能電池和量子材料的篩選提供了強有力的支持。他們計劃創(chuàng)建包含各種材料特性（如力學(xué)和磁性）的綜合數(shù)據(jù)庫，以進一步擴展該AI模型的功能。
