Istraživači sa Univerziteta Tohoku i Tehnološkog instituta Masačusetsa (MIT) predstavili su novi AI alat za visokokvalitetne optičke spektre sa istom tačnošću kao i kvantne simulacije, ali rade milion puta brže, potencijalno ubrzavajući razvoj fotonaponskih i kvantnih materijala.
Razumevanje optičkih svojstava materijala je od suštinskog značaja za razvoj optoelektronskih uređaja, kao što su LED diode, solarne ćelije, fotodetektori i fotonska integrisana kola. Ovi uređaji su ključni u trenutnom oživljavanju industrije poluprovodnika.
Tradicionalni načini proračuna koji koriste osnovne zakone fizike uključuju složene matematičke proračune i ogromnu računarsku snagu, što otežava brzo testiranje velikog broja materijala. Prevazilaženje ovog izazova moglo bi dovesti do otkrića novih fotonaponskih materijala za konverziju energije i dubljeg razumevanja fundamentalne fizike materijala kroz njihove optičke spektre.
Tim predvođen Ngujen Tuan Hungom, docentom na Frontier Institutu za interdisciplinarne nauke (FRIS), Univerziteta Tohoku, i Mingda Li, vanrednim profesorom na MIT-ovom Odseku za nuklearne nauke i inženjerstvo (NSE), uradio je upravo to, uvodeći novi AI model koji predviđa optička svojstva u širokom opsegu svetlosnih frekvencija, koristeći samo kristalnu strukturu materijala kao ulaz.
Glavni autor Ngujen i njegove kolege nedavno su objavili svoje nalaze u dokumentu otvorenog pristupa u časopisu Napredni materijali.
„Optika je fascinantan aspekt fizike kondenzovane materije, vođen uzročno-posledičnom vezom poznatom kao relacija Kramers-Kronig (KK)“, kaže Ngujen. „Jednom kada je jedno optičko svojstvo poznato, sva ostala optička svojstva mogu se izvesti korišćenjem KK relacije. Intrigantno je posmatrati kako AI modeli mogu da shvate fizičke koncepte kroz ovu relaciju.“
Dobijanje optičkih spektra sa potpunim pokrivanjem frekvencije u eksperimentima je izazovno zbog ograničenja talasnih dužina lasera. Simulacije su takođe složene, zahtevaju visoke kriterijume konvergencije i podrazumevaju značajne računske troškove. Kao rezultat toga, naučna zajednica već dugo traži efikasnije metode za predviđanje optičkih spektra različitih materijala.
„Modeli mašinskog učenja koji se koriste za optičko predviđanje nazivaju se neuronske mreže grafova (GNN)“, ističe Riotaro Okabe, diplomirani student hemije na MIT-u. „GNN obezbeđuju prirodnu reprezentaciju molekula i materijala predstavljajući atome kao čvorove grafa i međuatomske veze kao ivice grafa.“
Ipak, dok su GNN-i pokazali obećanje za predviđanje svojstava materijala, nedostaje im univerzalnost, posebno u prikazima kristalnih struktura. Da bi zaobišli ovu zagonetku, Ngujen i drugi su osmislili univerzalno ugrađivanje ansambla, pri čemu se kreiraju višestruki modeli ili algoritmi kako bi se objedinio prikaz podataka.
„Ovo ugrađivanje ansambla prevazilazi ljudsku intuiciju, ali je široko primenljivo za poboljšanje tačnosti predviđanja bez uticaja na strukture neuronske mreže“, objašnjava Abhijatmedhi Chotrattanapituk, diplomirani student elektrotehnike i računarstva na MIT-u.
Metoda ugrađivanja ansambla je univerzalni sloj koji se može neprimetno primeniti na bilo koji model neuronske mreže bez modifikacije struktura neuronske mreže. „Ovo implicira da se univerzalno ugrađivanje može lako integrisati u bilo koju arhitekturu mašinskog učenja, što potencijalno ima dubok uticaj na nauku o podacima“, kaže Mingda Li.
Ovaj metod omogućava visoko precizno optičko predviđanje zasnovano isključivo na kristalnim strukturama, što ga čini pogodnim za širok spektar primena, kao što su skrining materijala za solarne ćelije visokih performansi i detektovanje kvantnih materijala.
Gledajući unapred, istraživači imaju za cilj da razviju nove baze podataka za različite osobine materijala, kao što su mehaničke i magnetne karakteristike, kako bi poboljšali sposobnost AI modela da predvidi svojstva materijala samo na osnovu kristalnih struktura.
