原標(biāo)題：AI新模型快速預(yù)測(cè)材料光學(xué)性質(zhì)
未來(lái)的中央處理器（藝術(shù)圖）。圖片來(lái)源：美國(guó)趣味工程網(wǎng)站
據(jù)美國(guó)趣味工程網(wǎng)站近日?qǐng)?bào)道，日本東北大學(xué)和美國(guó)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(cè)材料的光學(xué)性質(zhì)，但速度能快100萬(wàn)倍。研究團(tuán)隊(duì)表示，這一重要進(jìn)展有望加速光伏和量子材料的研發(fā)步伐。
推進(jìn)太陽(yáng)能電池、光子集成電路以及量子計(jì)算等領(lǐng)域的發(fā)展，離不開對(duì)材料光學(xué)特性的深入了解。但現(xiàn)有的實(shí)驗(yàn)方法，如激光測(cè)試，受到光波波長(zhǎng)范圍的限制。而模擬計(jì)算成本高昂，且需要滿足嚴(yán)格的標(biāo)準(zhǔn)。因此，科學(xué)家一直在尋找替代方法，以快速預(yù)測(cè)不同材料的光學(xué)性質(zhì)。
此前，圖形神經(jīng)網(wǎng)絡(luò)（GNN）機(jī)器學(xué)習(xí)模型已經(jīng)問(wèn)世。這種模型通過(guò)將原子表示為圖形中的節(jié)點(diǎn)，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(xì)微差別方面存在困難，這限制了它在預(yù)測(cè)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(shí)間內(nèi)，以驚人的準(zhǔn)確性，在更寬的光頻率范圍內(nèi)預(yù)測(cè)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(xiàng)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(tuán)隊(duì)稱，他們的新AI模型能夠準(zhǔn)確預(yù)測(cè)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(jìn)太陽(yáng)能電池和量子材料的篩選提供了強(qiáng)有力的支持。他們計(jì)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(kù)，以進(jìn)一步擴(kuò)展該AI模型的功能。
（記者 劉 霞）