AI新模型快速预测材料光学性质

据美国趣味工程网站近日报道，新模型快学性日本东北大学和美国麻省理工学院科学家，速预成功开发出一款新人工智能（AI）模型GNNOpt。测材该模型能以与量子模拟相同的料光精度预测材料的光学性质，但速度能快100万倍。新模型快学性研究团队表示，速预这一重要进展有望加速光伏和量子材料等的测材研发步伐。

推进太阳能电池、料光光子集成电路以及量子计算等领域的新模型快学性发展，离不开对材料光学特性的速预深入了解。但现有的测材实验方法，如激光测试，料光受到光波波长范围的新模型快学性限制。而模拟计算成本高昂，速预且需要满足严格的测材标准。因此，科学家一直在寻找替代方法，以快速预测不同材料的光学性质。

此前，图形神经网络（GNN）机器学习模型已经问世。这种模型通过将原子表示为图形中的节点，原子键表示为图形的边，可形象地表示分子和材料。但GNN在捕捉晶体复杂结构之间的细微差别方面存在困难，这限制了它在预测材料特性方面的广泛应用。

新AI模型则另辟蹊径，以材料的晶体结构为输入，能在极短时间内，以惊人的准确性，在更宽的光频率范围内预测材料的光学特性。一旦科学家掌握某种光学性质，就可借助相关公式，推导出其他光学性质。

新AI模型成功的秘诀在于“集成嵌入”技术。这项技术赋予了AI从多种数据集中学习的能力，使其变得更加精确且通用。

研究团队称，他们的新AI模型能够准确预测晶体结构的光学性质，为广泛应用打开了大门，特别是为先进太阳能电池和量子材料的筛选提供了强有力的支持。他们计划创建包含各种材料特性（如力学和磁性）的综合数据库，以进一步扩展该AI模型的功能。