摘要：发掘新的LED，太阳能电池和光电遗传学需要围绕材料光学特性的广泛知识。计算这些需要时间和资源。然而，研究人员推出了一种新的AI工具，该工具可以准确且至关重要的速度比量子模拟更快，以预测光学特性。...

Tohoku大学和马萨诸塞州理工学院（MIT）的研究人员已经推出了一种新的AI工具，用于具有与量子模拟相同精度的高质量光谱，但要快一百万倍，可能会加快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设备，例如LED，太阳能电池，光电探测器和光子集成电路至关重要。这些设备在半导体行业目前的复兴中至关重要。

使用物理基本定律进行计算的传统手段涉及复杂的数学计算和巨大的计算能力，因此很难快速测试大量材料。克服这一挑战可能会导致发现新的光伏材料，以通过其光谱对材料的基本物理学有更深入的了解。

由Nguyen Tuan Hung领导的团队是Frontier跨学科科学研究所（FRIS），Tohoku University和MIT核科学与工程系（NSE）的副教授Mingda Li的团队，只是在介绍了一个新的AI模型，仅将光频率的光学范围介绍为材料的材料，从而介绍了一种新的AI模型。

首席作家Nguyen和他的同事最近在一份开放式报纸上发表了他们的发现高级材料。

Nguyen说：“光学是凝聚态物理学的一个有趣的方面，受称为Kramers-Krönig（KK）关系的因果关系的约束。” “一旦知道一个光学特性，就可以使用KK关系得出所有其他光学特性。观察AI模型如何通过这种关系掌握物理概念，这很有趣。”

由于激光波长的局限性，在实验中获得具有完整频率覆盖率的光谱是具有挑战性的。模拟也很复杂，需要高收敛标准并产生大量的计算成本。结果，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。

MIT的化学研究生Ryotaro Okabe指出：“用于光学预测的机器学习模型称为图形神经网络（GNN）。” “ GNNs通过将原子表示为图淋巴结和原子质键作为图边缘来提供分子和材料的自然表示。”

然而，尽管GNNS表现出预测材料特性的希望，但它们缺乏普遍性，尤其是在晶体结构的表示中。为了解决这个难题，Nguyen和其他人设计了一个通用的集合嵌入，从而创建了多种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：“这种合奏的嵌入超出了人类的直觉，但广泛适用于提高预测准确性而不影响神经网络结构。”

集合嵌入方法是一个通用层，可以无缝地应用于任何神经网络模型，而无需修改神经网络结构。 Mingda Li说：“这意味着通用嵌入可以轻松地集成到任何机器学习体系中，有可能对数据科学产生深远的影响。”

该方法仅基于晶体结构实现高度精确的光学预测，使其适用于多种应用，例如用于高性能太阳能电池的筛选材料和检测量子材料。

展望未来，研究人员旨在为各种材料特性（例如机械和磁性特征）开发新的数据库，以增强AI模型仅基于晶体结构预测材料特性的能力。