據美國趣味工程網站近日報道，日本東北大學和美國麻省理工學院科學家，成功開發出一款新人工智能（AI）模型GNNOpt。該模型能以與量子模擬相同的精度預測材料的光學性質，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等的研發步伐。
推進太陽能電池、光子集成電路以及量子計算等領域的發展，離不開對材料光學特性的深入了解。但現有的實驗方法，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，科學家一直在尋找替代方法，以快速預測不同材料的光學性質。
此前，圖形神經網絡（GNN）機器學習模型已經問世。這種模型通過將原子表示為圖形中的節點，原子鍵表示為圖形的邊，可形象地表示分子和材料。但GNN在捕捉晶體復雜結構之間的細微差別方面存在困難，這限制了它在預測材料特性方面的廣泛應用。
新AI模型則另辟蹊徑，以材料的晶體結構為輸入，能在極短時間內，以驚人的準確性，在更寬的光頻率范圍內預測材料的光學特性。一旦科學家掌握某種光學性質，就可借助相關公式，推導出其他光學性質。
新AI模型成功的秘訣在于“集成嵌入”技術。這項技術賦予了AI從多種數據集中學習的能力，使其變得更加精確且通用。
研究團隊稱，他們的新AI模型能夠準確預測晶體結構的光學性質，為廣泛應用打開了大門，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。他們計劃創建包含各種材料特性（如力學和磁性）的綜合數據庫，以進一步擴展該AI模型的功能。
據美國趣味工程網站近日報道，日本東北大學和美國麻省理工學院科學家，成功開發出一款新人工智能（AI）模型GNNOpt。該模型能以與量子模擬相同的精度預測材料的光學性質，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等的研發步伐。
推進太陽能電池、光子集成電路以及量子計算等領域的發展，離不開對材料光學特性的深入了解。但現有的實驗方法，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，科學家一直在尋找替代方法，以快速預測不同材料的光學性質。
此前，圖形神經網絡（GNN）機器學習模型已經問世。這種模型通過將原子表示為圖形中的節點，原子鍵表示為圖形的邊，可形象地表示分子和材料。但GNN在捕捉晶體復雜結構之間的細微差別方面存在困難，這限制了它在預測材料特性方面的廣泛應用。
新AI模型則另辟蹊徑，以材料的晶體結構為輸入，能在極短時間內，以驚人的準確性，在更寬的光頻率范圍內預測材料的光學特性。一旦科學家掌握某種光學性質，就可借助相關公式，推導出其他光學性質。
新AI模型成功的秘訣在于“集成嵌入”技術。這項技術賦予了AI從多種數據集中學習的能力，使其變得更加精確且通用。
研究團隊稱，他們的新AI模型能夠準確預測晶體結構的光學性質，為廣泛應用打開了大門，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。他們計劃創建包含各種材料特性（如力學和磁性）的綜合數據庫，以進一步擴展該AI模型的功能。
本文鏈接：AI新模型快速預測材料光學性質http://www.sq15.cn/show-2-8789-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。
下一篇： 璀璨星辰中有顆“鐘南山星”！