Sur La Base De 944 Données Sur Les Matériaux, L'université Du Tohoku Et Le MIT Ont Publié Le Modèle GNNOpt, Identifiant Avec Succès Des Centaines De Matériaux Candidats Pour Les Cellules Solaires Et Quantiques.

Les dispositifs optoélectroniques tels que les LED, les cellules solaires, les photodétecteurs et les circuits intégrés photoniques (PIC) sont au cœur des technologies modernes de communication, d’éclairage et de conversion d’énergie.Les performances et l’efficacité de ces dispositifs dépendent fortement des propriétés optiques des matériaux. Par conséquent, une compréhension approfondie de ces propriétés est essentielle pour stimuler les avancées technologiques et répondre aux demandes scientifiques et industrielles croissantes. Pour relever ce défi, les chercheurs des domaines expérimentaux et informatiques mènent activement des efforts de criblage à haut débit pour identifier et développer de nouveaux matériaux dotés de propriétés optiques adaptées.

Cependant, les techniques expérimentales traditionnelles permettant d'obtenir les propriétés optiques des matériaux, telles que l'ellipsométrie, la spectroscopie UV-visible et la spectroscopie infrarouge à transformée de Fourier (FTIR), bien qu'elles puissent fournir des mesures précises, ne sont généralement applicables qu'à des plages de longueurs d'onde spécifiques et ont des exigences strictes sur les conditions d'échantillonnage. Ces limitations restreignent l’application de ces technologies dans le criblage de matériaux à haut débit.

Pour résoudre ce problème, les chercheurs se sont tournés vers des calculs de premiers principes basés sur la théorie de la fonctionnelle de la densité (DFT).Par rapport aux techniques expérimentales traditionnelles, les calculs DFT peuvent couvrir toute la gamme de longueurs d'onde du spectre optique, offrant ainsi un outil d'analyse plus complet. Malgré les puissantes capacités de calcul de la DFT, il existe encore certains défis dans la prédiction des propriétés optiques des structures cristallines en raison du manque d'intégration atomique efficace.

En réponse à cela, des chercheurs de l'Université de Tohoku et du MIT ont lancé un nouvel outil d'intelligence artificielle, GNNOpt, qui a identifié avec succès 246 matériaux avec des rendements de conversion d'énergie solaire dépassant 32% et 296 matériaux quantiques avec des poids quantiques élevés.Il a considérablement accéléré la découverte de l’énergie et des matériaux quantiques et a apporté un nouveau paradigme de recherche dans le domaine de la science des matériaux.

La recherche connexe a été publiée dans Advanced Materials sous le titre « Réseau neuronal graphique d'intégration d'ensemble universel pour la prédiction directe de spectres optiques à partir de structures cristallines ».

Points saillants de la recherche :

* GNNOpt utilise la technologie « d'intégration intégrée », qui peut non seulement apprendre des informations à partir de plusieurs ensembles de données, mais également prédire avec précision tous les spectres optiques linéaires directement à partir de la structure cristalline

* En intégrant des réseaux neuronaux équivariants, GNNOpt réalise des prédictions de haute qualité sur un petit ensemble de données de 944 matériaux

* GNNOpt a sélectionné avec succès 246 matériaux avec une efficacité de conversion d'énergie solaire supérieure à 32% à partir de matériaux inconnus, et 296 matériaux quantiques avec un poids quantique élevé, y compris SiOs

Adresse du document :
https://onlinelibrary.wiley.com/doi/epdf/10.1002/adma.202409175
Suivez le compte officiel et répondez « Prédiction des propriétés optiques » pour obtenir le document complet en PDF.

Le projet open source « awesome-ai4s » rassemble plus de 100 interprétations d'articles AI4S et fournit des ensembles de données et des outils massifs :

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

Ensemble de données : Apprentissage sur un petit échantillon basé sur 944 matériaux cristallins

Les chercheurs ont utilisé 944 matériaux cristallins dérivés de calculs de théorie fonctionnelle de la densité (DFT) pour faire des prédictions spectrales pour le modèle GNNOpt.Ces bases de données sont obtenues à partir du projet Matériaux via une API. Les données spectrales de la base de données sont obtenues par approximation de particules indépendantes (IPA), qui comprend la fonction diélectrique dépendante de la fréquence et son coefficient d'absorption correspondant.

L'ensemble de données a été divisé aléatoirement en un ensemble d'entraînement (733 matériaux), un ensemble de validation (97 matériaux) et un ensemble de test (110 matériaux) dans le rapport de 80%, 10% et 10%.

Architecture du modèle GNNOpt : lier directement la structure cristalline aux propriétés optiques dépendantes de la fréquence

GNNOpt est un modèle basé sur un réseau neuronal graphique (GNN) qui utilise la technologie « d'intégration d'ensemble » pour prédire tous les spectres optiques linéaires directement à partir de structures cristallines.Il convient de noter qu'avant de former le modèle GNNOpt,Grâce à une série d’expériences, les chercheurs ont démontré que l’application des relations Kramers-Kronig permet de mieux prédire les spectres optiques.

Comme le montre la figure a ci-dessous,La seule entrée de GNNOpt est la structure cristalline et la sortie est un spectre.Plus précisément, il comprend la fonction diélectrique complexe, le coefficient d'absorption, l'indice de réfraction complexe et la réflectance.

Dans la figure b,Les caractéristiques d'entrée de chaque espèce atomique (O, CI, TI) dans la structure cristalline sont représentées par un codage one-hot.Étant donné que tous les éléments du tableau périodique ont des masses atomiques (notées x₀ noté x) et polarisabilité dipolaire₁ rayon covalent effectif, x₂ représente) ces 3 caractéristiques, les chercheurs ont donc choisi ces 3 caractéristiques pour l'intégration intégrée.

En introduisant une couche d'intégration intégrée avec optimisation automatique de l'intégration, les chercheurs ont pu améliorer la précision de prédiction du modèle sans modifier la structure du réseau neuronal. Le processus spécifique est illustré dans la figure c ci-dessous.

Tout d’abord, toutes les fonctionnalités d’entrée atomiques sont automatiquement optimisées via une couche d’intégration d’ensemble. Pour obtenir l'équivariance, les filtres convolutifs sont constitués de fonctions radiales apprenables et d'harmoniques sphériques. Ensuite, les fonctionnalités intégrées sont paramétrées en paramètres d'entrée via une série de convolutions de graphes équivariants et de couches non linéaires fermées. Ensuite, les résultats des paramètres sont transmis aux couches de post-traitement, y compris les opérations d’activation et d’agrégation, pour générer le spectre de sortie prédit. Enfin, les poids GNNOpt sont formés et optimisés en minimisant la fonction de perte d'erreur quadratique moyenne (MSE) entre le spectre prédit et le spectre réel.

Afin d’acquérir une compréhension plus approfondie de la structure cristalline, les chercheurs ont analysé la structure cellulaire unitaire de TlClO4, comme le montre la figure d.Les nœuds circulaires représentent les atomes dans la cellule unitaire et les lignes représentent la direction de transmission des informations de la couche convolutionnelle du graphique.

La figure e montre les détails de la couche d’intégration d’ensemble générique, qui est le facteur clé pour améliorer les performances même sans aucune modification du modèle de réseau neuronal.Pour chaque atome, chaque caractéristique est intégrée indépendamment dans ses couches linéaires et d'activation. Ensuite, toutes les fonctionnalités intégrées sont mélangées par une probabilité de mélange apprenable p_je Effectuer une moyenne pondérée, où p_je Par ∑_jep_je = 1 pour la normalisation.

Performances du modèle : GNNOpt identifie des centaines de candidats pour les cellules solaires et les matériaux quantiques

Pour tester les performances du modèle GNNOpt, les chercheurs ont utilisé GNNOpt pour identifier les matériaux des cellules solaires et les matériaux quantiques, et ont identifié avec succès 246 matériaux de cellules solaires et 296 matériaux quantiques avec des poids quantiques élevés.
Les détails des matériaux ci-dessus sont donnés dans les informations supplémentaires :
https://go.hyper.ai/rVSS8
Suivez le compte officiel et répondez « Informations sur les prévisions matérielles » pour obtenir le PDF complet

GNNOpt peut sélectionner 246 matériaux de cellules solaires à partir de matériaux inconnus

Pour identifier les matériaux potentiels des cellules solaires dotés de fonctions de conversion d'énergie à haute performance, les chercheurs ont utilisé la méthode d'efficacité maximale limitée spectroscopique (SLME) pour effectuer un examen préliminaire et une évaluation de l'efficacité de conversion photoélectrique des cellules solaires.

Les chercheurs ont ensuite utilisé le modèle GNNOpt pour prédire l’efficacité de conversion énergétique (valeur η) de 5 281 structures cristallines inconnues dans le projet Matériaux. Il convient de noter que ces structures cristallines ne disposent pas de données spectrales réelles. Comme le montre la figure a ci-dessous, les chercheurs ont comparé l'efficacité prévue de l'ensemble de tests avec l'efficacité réelle, et le résultat a montré R² = 0,81, indiquant que GNNOpt présente une grande précision de prédiction de l'efficacité de conversion photoélectrique des cellules solaires.

Dans la figure b, les chercheurs ont tracé la bande interdite énergétique (E) entre l'efficacité η prédite par GNNOpt et l'efficacité réelle η obtenue par DFT dans l'ensemble de test._g Représente le diagramme de relation fonctionnelle de ). Quand E_g À environ 1,3 eV, la valeur maximale de η est d'environ 32%, ce qui est cohérent avec la limite SQ. Cependant, le SLME est un paramètre plus strict que la limite SQ pour la sélection des matériaux des cellules solaires car pour les matériaux avec des bandes interdites similaires, le SLME présente une large gamme de variations dans les valeurs η, indiquant que le coefficient d'absorption α(E) a une contribution significative à η.

De plus, comprendre quels éléments du tableau périodique contribuent le plus à l’efficacité des matériaux des cellules solaires peut fournir des indications initiales pour la conception des matériaux. Comme le montre la figure c,Le modèle GNNOpt prédit que les métaux de transition (tels que Tc, Rh, Pd, Pt, Cu, Ag, Au et Hg) et les chalcogénures (tels que S, Se et Te) sont les principaux composants des matériaux des cellules solaires.Ce résultat est cohérent avec les matériaux de cellules solaires bien connus tels que la chalcopyrite riche en Cu, les pérovskites à base de Pb ou le CdTe.

Pour vérifier la valeur de prédiction SLME du modèle GNNOpt pour des matériaux inconnus, les chercheurs ont sélectionné trois exemples dans la liste des matériaux SLME les plus élevés : LiZnP, SbSeI et BiTeI. Il convient de noter que ces matériaux ne figurent pas dans la base de données DFT. Les chercheurs ont donc effectué des calculs DFT sur ces matériaux pour déterminer les coefficients d’absorption α(E) de ces matériaux.
Les résultats sont présentés dans la figure d ci-dessous. Les résultats des calculs DFT (représentés par la ligne pointillée) sont très cohérents avec la valeur α prédite par GNNOpt (représentée par la ligne continue).Cela suggère que GNNOpt peut devenir un outil efficace de criblage de matériaux à un coût de calcul considérablement réduit. Il convient de mentionner que pour les grandes bases de données, GNNOpt peut être combiné avec un algorithme génétique (GA) pour accélérer le processus de recherche de matériaux candidats.

GNNOpt a détecté avec succès 296 matériaux quantiques, dont SiOs

En plus d'identifier des matériaux de cellules solaires inconnus avec un potentiel de conversion d'énergie à haute performanceUne autre application de GNNOpt est la détection de la géométrie et de la topologie quantiques dans les matériaux quantiques.Auparavant, certains chercheurs ont montré que le concept de poids quantique généralisé peut être dérivé du spectre et constitue un indicateur direct de la géométrie quantique de l’état fondamental et de la structure topologique. Poids quantique K_xx Il s'agit d'une modification de la règle de la somme f pondérée en fréquence inverse.

* Poids quantique K_xx Il s'agit d'une quantité physique importante dans les systèmes quantiques qui est liée aux propriétés optiques et électroniques des matériaux, et est particulièrement utilisée pour mesurer leurs propriétés géométriques et topologiques quantiques. Il décrit le lien entre la géométrie quantique d’un matériau et ses propriétés optiques ou électriques.

Dans la figure a, les chercheurs ont comparé le K prédit en h/e² sur l’ensemble de test._xx et le vrai K_xx La valeur de . Encre_xx < 25, R² = 0,73, indiquant que les résultats de prédiction GNNOpt sont proches des résultats réels des calculs DFT.

Par conséquent, GNNOpt a été utilisé pour prédire les valeurs K de 5 281 matériaux isolants inconnus._xx La valeur est indiquée dans la figure b. Pour simplifier l'analyse,Les chercheurs ont transformé le célèbre isolant topologique Bi₂Te₃ Le poids quantique K_xx = 28,87 comme seuil de classification des matériaux quantiques, où K_xx Les matériaux > 28,87 sont considérés comme ayant une valeur K élevée_xx Matériel.

Finalement, les chercheurs ont identifié 297 matériaux à forte teneur en Kxx. Certains de ces matériaux, comme le ZrTe₅ (K_xx = 33,90) 、 TaAs₂ (K_xx = 37,66) 、 FeSi (K_xx = 48,74) et NbP (K_xx = 35,58), etc., et ont été confirmés comme étant des matériaux quantiques avec un effet Hall anormal, une grande magnétorésistance, des arcs de Fermi topologiques et des oscillations quantiques.

Étant donné que SiOs a un poids quantique très élevé (K_xx = 46,52) et n'a pas été étudié en profondeur auparavant, les chercheurs ont donc effectué des calculs DFT supplémentaires sur SiOs et analysé sa structure de bande électronique. Comme le montre la figure c,SiOs possède des fermions triples et des fermions doubles de Weyl respectivement au point Γ et au point R.

La figure d montre que les chercheurs ont utilisé les fonctions de Wannier localisées maximales et les méthodes de fonction de Green pour calculer la structure de bande de la surface SiOs (001), indiquant les propriétés superquantiques de SiOs.

L'intelligence artificielle va remodeler le processus de recherche et de développement des matériaux, et les matériaux seront générés à l'envers

Dans le développement rapide de la science des matériaux, la technologie de l’IA mène une révolution. Auparavant, Gan Yong, académicien de l'Académie chinoise d'ingénierie, avait déclaré publiquement que « l'intelligence artificielle va remodeler le processus de recherche et de développement des matériaux, et les matériaux seront générés à l'envers ».

Premièrement, l’application de l’IA à la découverte de matériaux est particulièrement importante. Fin novembre 2023, DeepMind de Google a publié GNoME, un modèle d'apprentissage par renforcement de l'IA pour la science des matériaux.Grâce à ce modèle et à des calculs à haut débit basés sur les premiers principes (DFT), plus de 380 000 matériaux cristallins thermodynamiquement stables ont été découverts, accélérant considérablement la vitesse de recherche pour découvrir de nouveaux matériaux.
Cliquez pour voir le rapport détaillé : 800 ans d’avance sur l’humanité ? DeepMind lance GNoME, utilisant l'apprentissage profond pour prédire 2,2 millions de nouveaux cristaux
Adresse du document :
https://www.nature.com/articles/s41586-023-06735-9

Pour ne pas être en reste, Microsoft a publié MatterGen, un modèle généré par l'IA pour la science des matériaux, quelques jours après la publication du modèle GNoME.De nouvelles structures de matériaux peuvent être prédites à la demande en fonction des propriétés matérielles requises.
Adresse du document :
https://arxiv.org/abs/2312.03687

En janvier 2024, Microsoft a collaboré avec le Pacific Northwest National Laboratory (PNNL) du ministère américain de l'Énergie pour utiliser l'intelligence artificielle et le calcul haute performance afin de sélectionner un matériau électrolyte entièrement solide parmi 32 millions de matériaux inorganiques.Cette technologie a complété une boucle fermée allant de la prédiction à l’expérimentation et peut aider à développer des matériaux de batterie lithium-ion de nouvelle génération.
Adresse du document :
https://arxiv.org/abs/2401.04070

En outre, l’IA joue également un rôle important dans la prédiction des propriétés des matériaux. Grâce aux modèles d’apprentissage automatique, la structure électronique, les propriétés mécaniques, etc. des matériaux peuvent être prédites, optimisant ainsi la conception des matériaux. Par exemple,ABACUS, un logiciel open source national de théorie fonctionnelle de la densité développé par Chen Mohan, chercheur à l'École d'ingénierie de l'Université de Pékin,Associée à la méthode fonctionnelle d'échange-corrélation assistée par l'IA DeePKS, le dilemme entre précision et efficacité des calculs DFT est surmonté et des calculs de précision fonctionnelle hybride à haute efficacité sont obtenus.
Adresse du document :
https://pubs.acs.org/doi/10.1021/acs.jpca.2c05000

L’application de l’IA dans le domaine de la science des matériaux va bien au-delà. Au niveau de la mise en œuvre, il existe également des entreprises telles que Green Dynamics, CuspAl et DeepVerse qui s'engagent à appliquer l'IA au domaine des nouveaux matériaux.Avec le développement continu de la technologie, l’IA peut libérer une puissance illimitée dans le domaine de la science des matériaux !

Références :
1.https://mp.weixin.qq.com/s/HBhRoahOVme0eOUNtyvygg
2.https://mp.weixin.qq.com/s/tlwBjmHAPkKKehqMHzDoBw