HyperAI超神经

Optoelektronische Geräte wie LEDs, Solarzellen, Fotodetektoren und photonische integrierte Schaltkreise (PICs) bilden das Herzstück moderner Kommunikations-, Beleuchtungs- und Energieumwandlungstechnologien.Die Leistung und Effizienz dieser Geräte hängen stark von den optischen Eigenschaften der Materialien ab. Daher ist ein tiefes Verständnis dieser Eigenschaften von entscheidender Bedeutung, um technologische Fortschritte voranzutreiben und den wachsenden wissenschaftlichen und industriellen Anforderungen gerecht zu werden. Um dieser Herausforderung zu begegnen, führen Forscher sowohl im experimentellen als auch im rechnergestützten Bereich aktiv Hochdurchsatz-Screening-Versuche durch, um neue Materialien mit maßgeschneiderten optischen Eigenschaften zu identifizieren und zu entwickeln.

Traditionelle experimentelle Techniken zur Bestimmung optischer Materialeigenschaften, wie etwa Ellipsometrie, UV-Vis-Spektroskopie und Fourier-Transformations-Infrarotspektroskopie (FTIR), können zwar präzise Messungen liefern, sind jedoch normalerweise nur auf bestimmte Wellenlängenbereiche anwendbar und stellen strenge Anforderungen an die Probenbedingungen. Diese Einschränkungen schränken die Anwendung dieser Technologien im Hochdurchsatz-Materialscreening ein.

Um dieses Problem zu lösen, griffen die Forscher auf Berechnungen auf Basis der Dichtefunktionaltheorie (DFT) zurück.Im Vergleich zu herkömmlichen experimentellen Techniken können DFT-Berechnungen den gesamten Wellenlängenbereich des optischen Spektrums abdecken und bieten somit ein umfassenderes Analysetool. Trotz der leistungsstarken Rechenkapazitäten der DFT gibt es aufgrund des Fehlens einer effektiven Atomeinbettung immer noch gewisse Herausforderungen bei der Vorhersage der optischen Eigenschaften von Kristallstrukturen.

Als Reaktion darauf haben Forscher der Tohoku-Universität und des MIT ein neues Tool für künstliche Intelligenz namens GNNOpt auf den Markt gebracht, das erfolgreich 246 Materialien mit einer Umwandlungseffizienz von Solarenergie von über 32% sowie 296 Quantenmaterialien mit hohen Quantengewichten identifizierte.Es hat die Entdeckung von Energie- und Quantenmaterialien erheblich beschleunigt und ein neues Forschungsparadigma in die Materialwissenschaft gebracht.

Die entsprechende Forschung wurde in Advanced Materials unter dem Titel „Universal Ensemble-Embedding Graph Neural Network for Direct Prediction of Optical Spectra from Crystal Structures“ veröffentlicht.

Forschungshighlights:

* GNNOpt verwendet die Technologie der „integrierten Einbettung“, die nicht nur Informationen aus mehreren Datensätzen lernen, sondern auch alle linearen optischen Spektren direkt aus der Kristallstruktur genau vorhersagen kann

* Durch die Integration äquivarianter neuronaler Netze erreicht GNNOpt qualitativ hochwertige Vorhersagen auf einem kleinen Datensatz von 944 Materialien

* GNNOpt hat erfolgreich 246 Materialien mit einer Solarenergieumwandlungseffizienz von über 32% aus unbekannten Materialien und 296 Quantenmaterialien mit hohem Quantengewicht, darunter SiOs, untersucht.

Papieradresse:
https://onlinelibrary.wiley.com/doi/epdf/10.1002/adma.202409175
Folgen Sie dem offiziellen Konto und antworten Sie mit „Optical Properties Prediction“, um das vollständige Dokument als PDF zu erhalten.

Das Open-Source-Projekt „awesome-ai4s“ vereint mehr als 100 AI4S-Papierinterpretationen und stellt umfangreiche Datensätze und Tools bereit:

https://github.com/hyperai/awesome-ai4s

Datensatz: Kleines Stichprobenlernen basierend auf 944 Kristallmaterialien

Die Forscher verwendeten 944 kristalline Materialien, die aus Dichtefunktionaltheorie-Berechnungen (DFT) abgeleitet wurden, um spektrale Vorhersagen für das GNNOpt-Modell zu treffen.Diese Datenbanken werden über eine API vom Materials Project bezogen. Die Spektraldaten in der Datenbank werden durch die unabhängige Partikelnäherung (IPA) gewonnen, die die frequenzabhängige dielektrische Funktion und den entsprechenden Absorptionskoeffizienten umfasst.

Der gesamte Datensatz wurde zufällig im Verhältnis 80%, 10% und 10% in einen Trainingssatz (733 Materialien), einen Validierungssatz (97 Materialien) und einen Testsatz (110 Materialien) aufgeteilt.

Verteilung der Elemente im Trainingssatz, Validierungssatz und Testsatz

GNNOpt-Modellarchitektur: Direkte Verknüpfung der Kristallstruktur mit frequenzabhängigen optischen Eigenschaften

GNNOpt ist ein auf Graph Neural Networks (GNN) basierendes Modell, das die „Ensemble Embedding“-Technologie verwendet, um alle linearen optischen Spektren direkt aus Kristallstrukturen vorherzusagen.Es ist erwähnenswert, dass vor dem Training des GNNOpt-ModellsDurch eine Reihe von Experimenten zeigten die Forscher, dass sich optische Spektren durch die Anwendung der Kramers-Kronig-Beziehungen besser vorhersagen lassen.

Wie in Abbildung a unten gezeigt,Die einzige Eingabe für GNNOpt ist die Kristallstruktur und die Ausgabe ist ein Spektrum.Insbesondere umfasst es die komplexe dielektrische Funktion, den Absorptionskoeffizienten, den komplexen Brechungsindex und das Reflexionsvermögen.

Schematische Darstellung der Ein- und Ausgabe des GNNOpt-Modells

Abbildung b zeigtDie Eingabemerkmale jeder Atomart (O, CI, TI) in der Kristallstruktur werden durch One-Hot-Kodierung dargestellt.Da alle Elemente im Periodensystem Atommassen haben (bezeichnet durch x₀ bezeichnet mit x) und Dipolpolarisierbarkeit (bezeichnet mit x).₁ effektiver kovalenter Radius, x₂ stellt diese 3 Merkmale dar, daher haben die Forscher diese 3 Merkmale für die integrierte Einbettung ausgewählt.

3 Funktionen der integrierten Einbettung

Durch die Einführung einer integrierten Einbettungsschicht mit automatischer Einbettungsoptimierung konnten die Forscher die Vorhersagegenauigkeit des Modells verbessern, ohne die Struktur des neuronalen Netzwerks zu ändern. Der konkrete Vorgang ist in Abbildung c unten dargestellt.

Zunächst werden alle atomaren Eingabefunktionen automatisch durch eine Ensemble-Einbettungsschicht optimiert. Um Äquivarianz zu erreichen, bestehen die Faltungsfilter aus lernbaren Radialfunktionen und Kugelflächenfunktionen. Anschließend werden die eingebetteten Merkmale durch eine Reihe von äquivarianten Graphenfaltungen und gegateten nichtlinearen Schichten in Eingabeparameter parametrisiert. Als Nächstes werden die Parameterergebnisse an Nachbearbeitungsebenen übergeben, einschließlich Aktivierungs- und Aggregationsvorgängen, um das vorhergesagte Ausgabespektrum zu generieren. Schließlich werden die GNNOpt-Gewichte trainiert und optimiert, indem die Verlustfunktion des mittleren quadratischen Fehlers (MSE) zwischen dem vorhergesagten Spektrum und dem wahren Spektrum minimiert wird.

Um ein tieferes Verständnis der Kristallstruktur zu erlangen, analysierten die Forscher die Elementarzellenstruktur von TlClO4, wie in Abbildung d dargestellt.Die kreisförmigen Knoten stellen Atome in der Einheitszelle dar und die Linien stellen die Richtung der Informationsübertragung in der Graph-Faltungsschicht dar.

Abbildung e zeigt die Details der generischen Ensemble-Einbettungsschicht, die der Schlüsselfaktor zur Verbesserung der Leistung ist, auch ohne Änderungen am neuronalen Netzwerkmodell.Für jedes Atom ist jedes Merkmal unabhängig in seine linearen und Aktivierungsschichten eingebettet. Anschließend werden alle eingebetteten Merkmale mit einer lernbaren Mischungswahrscheinlichkeit p gemischt._ich Führen Sie eine gewichtete Mittelwertbildung durch, wobei p_ich Von ∑_ichP_ich = 1 für die Normalisierung.

Allgemeine Detailanzeige der integrierten Einbettungsebene

Modellleistung: GNNOpt identifiziert Hunderte von Solarzellen- und Quantenmaterialkandidaten

Um die Leistung des GNNOpt-Modells zu testen, verwendeten die Forscher GNNOpt zur Identifizierung von Solarzellenmaterialien und Quantenmaterialien und identifizierten erfolgreich 246 Solarzellenmaterialien und 296 Quantenmaterialien mit hohen Quantengewichten.
Einzelheiten zu den oben genannten Materialien finden Sie in den zusätzlichen Informationen:
https://go.hyper.ai/rVSS8
Folgen Sie dem offiziellen Konto und antworten Sie mit „Forecast Material Information“, um das vollständige PDF zu erhalten

GNNOpt kann 246 Solarzellenmaterialien von unbekannten Materialien unterscheiden

Bei der Identifizierung potenzieller Solarzellenmaterialien mit leistungsstarken Energieumwandlungsfunktionen verwendeten die Forscher die Methode der spektroskopischen begrenzten maximalen Effizienz (SLME), um eine vorläufige Prüfung und Bewertung der photoelektrischen Umwandlungseffizienz von Solarzellen durchzuführen.

Anschließend verwendeten die Forscher das GNNOpt-Modell, um die Energieumwandlungseffizienz (η-Wert) von 5.281 unbekannten Kristallstrukturen im Materials Project vorherzusagen. Es ist zu beachten, dass diese Kristallstrukturen keine echten Spektraldaten aufweisen. Wie in Abbildung a unten dargestellt, verglichen die Forscher die vorhergesagte Effizienz des Testsatzes mit der tatsächlichen Effizienz. Das Ergebnis zeigte R² = 0,81, was darauf hindeutet, dass GNNOpt verfügt über eine hohe Vorhersagegenauigkeit für die photoelektrische Umwandlungseffizienz von Solarzellen.

Vergleich der von GNNOpt vorhergesagten Effizienz η und der tatsächlichen Effizienz η, die durch DFT-Berechnungen im Testsatz ermittelt wurde

In Abbildung b haben die Forscher die Energiebandlücke (E) zwischen der von GNNOpt vorhergesagten Effizienz η und der tatsächlichen Effizienz η, die im Testsatz per DFT ermittelt wurde, aufgetragen._G ) ist ein Funktionsbeziehungsdiagramm. Wenn E_GBei etwa 1,3 eV beträgt der Maximalwert von η etwa 32%, was mit der SQ-Grenze übereinstimmt. Allerdings ist SLME ein strengerer Parameter als die SQ-Grenze für die Auswahl von Solarzellenmaterialien, da SLME bei Materialien mit ähnlichen Bandlücken eine große Variationsbreite bei den η-Werten aufweist, was darauf hindeutet, dass der Absorptionskoeffizient α(E) einen signifikanten Beitrag zu η hat.

Darüber hinaus kann das Verständnis, welche Elemente im Periodensystem am meisten zu effizienten Solarzellenmaterialien beitragen, eine erste Orientierung für die Materialentwicklung bieten. Wie in Abbildung c gezeigt,Das GNNOpt-Modell sagt voraus, dass Übergangsmetalle (wie Tc, Rh, Pd, Pt, Cu, Ag, Au und Hg) und Chalkogenide (wie S, Se und Te) die Hauptbestandteile von Solarzellenmaterialien sind.Dieses Ergebnis steht im Einklang mit bekannten Solarzellenmaterialien wie Cu-reichem Chalkopyrit, Pb-basierten Perowskiten oder CdTe.

Einfärbung des Periodensystems nach SLME

Um den SLME-Vorhersagewert des GNNOpt-Modells für unbekannte Materialien zu überprüfen, wählten die Forscher drei Beispiele aus der Liste der Materialien mit dem höchsten SLME aus: LiZnP, SbSeI und BiTeI. Es ist zu beachten, dass diese Materialien nicht in der DFT-Datenbank enthalten sind. Daher führten die Forscher DFT-Berechnungen an diesen Materialien durch, um die Absorptionskoeffizienten α(E) dieser Materialien zu bestimmen.
Die Ergebnisse sind in Abbildung d unten dargestellt. Die Ergebnisse der DFT-Berechnungen (dargestellt durch die gepunktete Linie) stimmen weitgehend mit dem von GNNOpt vorhergesagten α-Wert überein (dargestellt durch die durchgezogene Linie).Dies deutet darauf hin, dass GNNOpt bei deutlich reduziertem Rechenaufwand zu einem effektiven Material-Screening-Tool werden kann. Es ist erwähnenswert, dass GNNOpt bei großen Datenbanken mit einem genetischen Algorithmus (GA) kombiniert werden kann, um den Suchvorgang nach Kandidatenmaterialien zu beschleunigen.

Vergleich von GNNOpt-Vorhersagen und DFT-Berechnungen für drei unbekannte Materialien

GNNOpt konnte 296 Quantenmaterialien, darunter SiOs, erfolgreich nachweisen

Neben der Identifizierung unbekannter Solarzellenmaterialien mit hohem EnergieumwandlungspotenzialEine weitere Anwendung von GNNOpt ist die Erkennung von Quantengeometrie und -topologie in Quantenmaterialien.Zuvor haben einige Wissenschaftler gezeigt, dass das Konzept des verallgemeinerten Quantengewichts aus dem Spektrum abgeleitet werden kann und ein direkter Indikator für die Quantengeometrie und topologische Struktur des Grundzustands ist. Quantengewicht K_xx Es handelt sich um eine Modifikation der inversen frequenzgewichteten F-Summenregel.

* Quantengewicht K_xx Es handelt sich um eine wichtige physikalische Größe in Quantensystemen, die mit den optischen und elektronischen Eigenschaften von Materialien zusammenhängt und insbesondere zur Messung ihrer quantengeometrischen und topologischen Eigenschaften verwendet wird. Es beschreibt den Zusammenhang zwischen der Quantengeometrie eines Materials und seinen optischen oder elektrischen Eigenschaften.

In Abbildung a verglichen die Forscher den vorhergesagten K in h/e² im Testsatz._xx und das echte K_xx Der Wert von . In K_xx < 25, R² = 0,73, was darauf hinweist, dass die GNNOpt-Vorhersageergebnisse nahe an den tatsächlichen Ergebnissen der DFT-Berechnungen liegen.

K vorhergesagt von GNNOpt_xx und das reale K, berechnet durch DFT_xx Vergleichsdiagramm

Daher wurde GNNOpt verwendet, um die K-Werte von 5.281 unbekannten Isoliermaterialien vorherzusagen._xx Der Wert ist in Abbildung b dargestellt. Um die Analyse zu vereinfachen,Die Forscher transformierten den berühmten topologischen Isolator Bi₂Te₃ Das Quantengewicht K_xx = 28,87 als Schwellenwert für die Klassifizierung von Quantenmaterialien, wobei K_xx Materialien > 28,87 gelten als hohe K_xx Material.

Letztendlich identifizierten die Forscher 297 Materialien mit hohem Kxx-Wert. Einige dieser Materialien, wie ZrTe₅ (K_xx = 33,90) 、 TaAs₂ (K_xx = 37,66) 、 FeSi (K_xx = 48,74) und NbP (K_xx = 35,58) usw. und wurden als Quantenmaterialien mit anomalem Hall-Effekt, großem Magnetowiderstand, topologischen Fermi-Bögen und Quantenoszillationen bestätigt.

Verwendung von GNNOpt zur Suche nach Proben mit hohem Quantengewicht K_xx Quantenmaterialien

Da SiOs ein sehr hohes Quantengewicht (K_xx = 46,52) und wurde zuvor noch nicht eingehend untersucht, daher führten die Forscher zusätzliche DFT-Berechnungen an SiOs durch und analysierten seine elektronische Bandstruktur. Wie in Abbildung c gezeigt,SiOs hat dreifache Fermionen und doppelte Weyl-Fermionen am Γ-Punkt bzw. R-Punkt.

Abbildung d zeigt, dass die Forscher die Methoden der maximal lokalisierten Wannier-Funktionen und der Green-Funktion verwendeten, um die Bandstruktur der SiOs (001)-Oberfläche zu berechnen, was auf die Superquanteneigenschaften von SiOs hinweist.

Oberfläche der elektronischen Bandstruktur von SiO

Künstliche Intelligenz wird den Prozess der Materialforschung und -entwicklung neu gestalten, und Materialien werden umgekehrt erzeugt

In der rasanten Entwicklung der Materialwissenschaften führt die KI-Technologie eine Revolution an. Zuvor hatte Gan Yong, ein Mitglied der Chinesischen Akademie für Ingenieurwissenschaften, öffentlich erklärt, dass „künstliche Intelligenz den Prozess der Materialforschung und -entwicklung umgestalten und Materialien umgekehrt erzeugt werden werden“.

Erstens ist die Anwendung von KI bei der Materialforschung besonders bedeutsam. Ende November 2023 veröffentlichte Googles DeepMind GNoME, ein KI-basiertes Reinforcement-Learning-Modell für die Materialwissenschaft.Mithilfe dieses Modells und hochdurchsatzfähiger First-Principles-Berechnungen (DFT) wurden mehr als 380.000 thermodynamisch stabile kristalline Materialien gefunden, was die Geschwindigkeit der Forschung bei der Entdeckung neuer Materialien erheblich erhöht hat.
Klicken Sie hier, um den ausführlichen Bericht anzuzeigen: Der Menschheit 800 Jahre voraus? DeepMind veröffentlicht GNoME und nutzt Deep Learning, um 2,2 Millionen neue Kristalle vorherzusagen
Papieradresse:
https://www.nature.com/articles/s41586-023-06735-9

Um nicht übertroffen zu werden, veröffentlichte Microsoft wenige Tage nach der Veröffentlichung des GNoME-Modells MatterGen, ein KI-generiertes Modell für die Materialwissenschaft.Neue Materialstrukturen können bedarfsgerecht auf Basis der geforderten Materialeigenschaften vorhergesagt werden.
Papieradresse:
https://arxiv.org/abs/2312.03687

Im Januar 2024 arbeitete Microsoft mit dem Pacific Northwest National Laboratory (PNNL) des US-Energieministeriums zusammen, um mithilfe künstlicher Intelligenz und Hochleistungsrechnen aus 32 Millionen anorganischen Materialien ein vollständig festes Elektrolytmaterial herauszufiltern.Diese Technologie hat einen geschlossenen Kreislauf von der Vorhersage bis zum Experiment abgeschlossen und kann zur Entwicklung von Lithium-Ionen-Batteriematerialien der nächsten Generation beitragen.
Papieradresse:
https://arxiv.org/abs/2401.04070

Darüber hinaus spielt KI auch bei der Vorhersage von Materialeigenschaften eine wichtige Rolle. Durch Modelle des maschinellen Lernens können die elektronische Struktur, die mechanischen Eigenschaften usw. von Materialien vorhergesagt und so das Materialdesign optimiert werden. Zum Beispiel,ABACUS, eine inländische Open-Source-Software für die Dichtefunktionaltheorie, entwickelt von Chen Mohan, einem Forscher an der School of Engineering der Peking-Universität,In Kombination mit der KI-gestützten Austauschkorrelationsfunktionsmethode DeePKS wird das Dilemma zwischen Genauigkeit und Effizienz von DFT-Berechnungen überwunden und hocheffiziente hybride funktionale Genauigkeitsberechnungen erreicht.
Papieradresse:
https://pubs.acs.org/doi/10.1021/acs.jpca.2c05000

Die Anwendung von KI im Bereich der Materialwissenschaften geht weit darüber hinaus. Auf der Implementierungsebene gibt es auch Unternehmen wie Green Dynamics, CuspAl und DeepVerse, die sich der Anwendung von KI im Bereich neuer Materialien widmen.Mit der kontinuierlichen Weiterentwicklung der Technologie könnte KI im Bereich der Materialwissenschaften unbegrenzte Möglichkeiten freisetzen!