未来的中央处理器（艺术图）
图片来源：美国趣味工程网站
推进太阳能电池、光子集成电路以及量子计算等领域的发展，离不开对材料光学特性的深入了解。但现有的实验方法，如激光测试，受到光波波长范围的限制。而模拟计算成本高昂，且需要满足严格的标准。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。
标签：
