HyperAI超神经

LED, 태양 전지, 광검출기, 광자 집적 회로(PIC)와 같은 광전자 소자는 현대 통신, 조명 및 에너지 변환 기술의 핵심입니다.이러한 장치의 성능과 효율성은 재료의 광학적 특성에 크게 좌우되므로, 이러한 특성에 대한 심층적인 이해는 기술 발전을 촉진하고 증가하는 과학 및 산업적 수요를 충족하는 데 매우 중요합니다. 이러한 과제를 해결하기 위해 실험 및 계산 분야의 연구자들은 맞춤형 광학적 특성을 가진 새로운 소재를 식별하고 개발하기 위해 고처리량 스크리닝 노력을 적극적으로 진행하고 있습니다.

그러나 엘립소메트리, 자외선-가시광선 분광법, 푸리에 변환 적외선 분광법(FTIR)과 같은 재료의 광학적 특성을 얻기 위한 전통적인 실험 기술은 정밀한 측정을 제공할 수 있지만 일반적으로 특정 파장 범위에만 적용 가능하며 샘플 조건에 대한 요구 사항이 엄격합니다. 이러한 제한으로 인해 고처리량 재료 선별에 이 기술을 적용하는 데 제한이 있습니다.

이 문제를 해결하기 위해 연구자들은 밀도 함수 이론(DFT)을 기반으로 한 기본 원리 계산을 사용했습니다.기존의 실험 기법과 비교했을 때, DFT 계산은 광학 스펙트럼의 전체 파장 범위를 포괄할 수 있어 더욱 포괄적인 분석 도구를 제공합니다. DFT의 강력한 계산 능력에도 불구하고 효과적인 원자 삽입이 부족하여 결정 구조의 광학적 특성을 예측하는 데 여전히 어려움이 있습니다.

이에 대응하여 도호쿠 대학과 MIT의 연구진은 새로운 인공지능 도구인 GNNOpt를 출시했는데, 이 도구는 32%를 초과하는 태양 에너지 변환 효율을 가진 246개 물질과 높은 양자 가중치를 가진 296개 양자 물질을 성공적으로 식별했습니다.이를 통해 에너지와 양자 물질의 발견이 크게 가속화되었고, 재료 과학 분야에 새로운 연구 패러다임이 도입되었습니다.

관련 연구는 "결정 구조로부터 광학 스펙트럼을 직접 예측하기 위한 범용 앙상블 임베딩 그래프 신경망"이라는 제목으로 Advanced Materials에 게재되었습니다.

연구 하이라이트:

* GNNOpt는 "통합 임베딩" 기술을 사용하여 여러 데이터 세트에서 정보를 학습할 수 있을 뿐만 아니라 결정 구조에서 모든 선형 광학 스펙트럼을 직접 정확하게 예측할 수 있습니다.

* GNNOpt는 등가 신경망을 통합하여 944개 재료의 소규모 데이터 세트에 대한 고품질 예측을 달성합니다.

* GNNOpt는 알려지지 않은 물질에서 32%를 초과하는 태양 에너지 변환 효율을 가진 246개 물질과 SiO를 포함한 높은 양자 중량을 가진 296개 양자 물질을 성공적으로 스크리닝했습니다.

서류 주소:
https://onlinelibrary.wiley.com/doi/epdf/10.1002/adma.202409175
공식 계정을 팔로우하고 "광학 특성 예측"에 답글을 달면 전체 논문 PDF를 받을 수 있습니다.

오픈소스 프로젝트인 "awesome-ai4s"는 100개가 넘는 AI4S 논문 해석을 모아 방대한 데이터 세트와 도구를 제공합니다.

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

데이터 세트: 944개 결정 소재 기반 소규모 샘플 학습

연구진은 밀도 함수 이론(DFT) 계산에서 파생된 944개의 결정질 재료를 사용하여 GNNOpt 모델에 대한 스펙트럼 예측을 수행했습니다.이러한 데이터베이스는 API를 통해 Materials Project에서 얻었습니다. 데이터베이스의 스펙트럼 데이터는 주파수에 따라 달라지는 유전율 함수와 그에 해당하는 흡수 계수를 포함하는 독립 입자 근사(IPA)를 통해 얻어집니다.

전체 데이터 세트는 80%, 10%, 10%의 비율로 훈련 세트(733개 재료), 검증 세트(97개 재료), 테스트 세트(110개 재료)로 무작위로 나뉘었습니다.

GNNOpt 모델 아키텍처: 결정 구조를 주파수에 따른 광학 특성에 직접 연결

GNNOpt는 "앙상블 임베딩" 기술을 사용하여 결정 구조로부터 모든 선형 광학 스펙트럼을 직접 예측하는 그래프 신경망(GNN) 기반 모델입니다.GNNOpt 모델을 훈련하기 전에 다음 사항을 주의하세요.연구진은 일련의 실험을 통해 크라머스-크로니히 관계식을 적용하면 광학 스펙트럼을 더 정확하게 예측할 수 있음을 입증했습니다.

아래 그림 a에서 보는 바와 같이,GNNOpt에 대한 유일한 입력은 결정 구조이고, 출력은 스펙트럼입니다.구체적으로는 복소 유전율 함수, 흡수 계수, 복소 굴절률 및 반사율이 포함됩니다.

그림 b에서,결정 구조에서 각 원자 종(O, CI, TI)의 입력 특징은 원핫 인코딩으로 표현됩니다.주기율표의 모든 원소는 원자 질량(x로 표시)을 가지고 있으므로₀ x로 표시) 및 쌍극자 분극률(x로 표시).₁ 유효 공유 반경, x₂ 이 3가지 특징을 나타내므로 연구자들은 통합 임베딩을 위해 이 3가지 특징을 선택했습니다.

연구진은 자동 임베딩 최적화 기능을 갖춘 통합 임베딩 계층을 도입함으로써 신경망 구조를 수정하지 않고도 모델의 예측 정확도를 향상시킬 수 있었습니다. 구체적인 과정은 아래 그림 c에 나와 있습니다.

첫째, 모든 원자 입력 기능은 앙상블 임베딩 계층을 통해 자동으로 최적화됩니다. 동등성을 달성하기 위해 합성 필터는 학습 가능한 방사형 함수와 구면 고조파로 구성됩니다. 그런 다음, 내장된 특징은 등가 그래프 합성과 게이트된 비선형 계층 시리즈를 통해 입력 매개변수로 매개변수화됩니다. 다음으로, 매개변수 결과는 활성화 및 집계 작업을 포함하는 후처리 계층으로 전달되어 예측된 출력 스펙트럼을 생성합니다. 마지막으로, GNNOpt 가중치는 예측 스펙트럼과 실제 스펙트럼 사이의 평균 제곱 오차(MSE) 손실 함수를 최소화하여 훈련되고 최적화됩니다.

연구진은 결정 구조에 대한 더 깊은 이해를 얻기 위해 그림 d에 나타난 바와 같이 TlClO4의 단위 셀 구조를 분석했습니다.원형 노드는 단위 셀의 원자를 나타내고, 선은 그래프 합성 계층의 정보 전달 방향을 나타냅니다.

그림 e는 신경망 모델을 전혀 변경하지 않고도 성능을 향상시키는 핵심 요소인 일반 앙상블 임베딩 계층의 세부 사항을 보여줍니다.각 원자의 각 기능은 선형 및 활성화 계층에 독립적으로 내장됩니다. 그런 다음 모든 내장 기능은 학습 가능한 혼합 확률 p에 의해 혼합됩니다._나 가중 평균을 수행합니다. 여기서 p_나 ∑에 의해_나피_나 = 정규화를 위해 1입니다.

모델 성능: GNNOpt는 수백 개의 태양 전지 및 양자 소재 후보를 식별합니다.

연구진은 GNNOpt 모델의 성능을 테스트하기 위해 GNNOpt를 사용하여 태양 전지 소재와 양자 소재를 식별하였고, 높은 양자 가중치를 가진 246개의 태양 전지 소재와 296개의 양자 소재를 성공적으로 식별했습니다.
위 자료에 대한 세부 사항은 추가 정보에 나와 있습니다.
https://go.hyper.ai/rVSS8
공식 계정을 팔로우하고 "예보 자료 정보"에 답글을 남겨 전체 PDF를 받으세요.

GNNOpt는 알려지지 않은 물질로부터 246개의 태양 전지 물질을 스크리닝할 수 있습니다.

연구진은 고성능 에너지 변환 기능을 갖춘 잠재적인 태양 전지 소재를 식별하기 위해 SLME(Spectroscopic Limited Maximum Efficiency) 방법을 사용하여 태양 전지의 광전 변환 효율에 대한 예비 검토 및 평가를 수행했습니다.

연구진은 GNNOpt 모델을 사용하여 재료 프로젝트의 5,281개 알려지지 않은 결정 구조의 에너지 변환 효율(η 값)을 예측했습니다. 이러한 결정 구조에는 실제 스펙트럼 데이터가 없다는 점에 유의해야 합니다. 아래 그림 a에서 보듯이 연구자들은 테스트 세트의 예측된 효율성과 실제 효율성을 비교했으며 그 결과는 R² = 0.81로 나타났습니다. GNNOpt는 태양 전지의 광전 변환 효율에 대한 높은 예측 정확도를 가지고 있습니다.

GNNOpt가 예측한 효율 η와 테스트 세트에서 DFT 계산을 통해 얻은 실제 효율 η의 비교

그림 b에서 연구자들은 GNNOpt가 예측한 효율 η와 테스트 세트에서 DFT가 얻은 실제 효율 η 사이의 에너지 밴드 갭(E)을 표시했습니다._g )의 기능적 관계도를 나타냅니다. E일 때_g약 1.3 eV에서 η의 최대값은 약 32%로, 이는 SQ 한계와 일치합니다. 그러나 SLME는 유사한 밴드갭을 갖는 재료의 경우 η 값에서 광범위한 변화를 보이기 때문에 태양 전지 재료를 선택할 때 SQ 한계보다 더 엄격한 매개변수입니다. 이는 흡수 계수 α(E)가 η에 상당한 영향을 미친다는 것을 나타냅니다.

또한, 주기율표에서 어떤 원소가 효율적인 태양 전지 소재에 가장 크게 기여하는지 이해하면 소재 설계에 대한 초기 지침을 제공할 수 있습니다. 그림 c에 나타낸 바와 같이,GNNOpt 모델은 전이 금속(예: Tc, Rh, Pd, Pt, Cu, Ag, Au, Hg)과 칼코게나이드(예: S, Se, Te)가 태양 전지 재료의 주요 구성 요소라고 예측합니다.이 결과는 Cu가 풍부한 황동석, Pb 기반 페로브스카이트 또는 CdTe와 같은 잘 알려진 태양 전지 소재와 일치합니다.

연구진은 알려지지 않은 물질에 대한 GNNOpt 모델의 SLME 예측 값을 검증하기 위해 SLME 값이 가장 높은 물질 목록에서 LiZnP, SbSeI, BiTeI의 세 가지 예를 선택했습니다. 이러한 자료는 DFT 데이터베이스에 없다는 점에 유의하시기 바랍니다. 따라서 연구진은 이들 재료에 대한 DFT 계산을 수행하여 이들 재료의 흡수 계수 α(E)를 결정했습니다.
결과는 아래 그림 d에 나타나 있다. DFT 계산 결과(점선으로 표시)는 GNNOpt(실선으로 표시)가 예측한 α 값과 매우 일치합니다.이는 GNNOpt가 상당히 낮은 계산 비용으로 효과적인 재료 스크리닝 도구가 될 수 있음을 시사합니다. 대규모 데이터베이스의 경우 GNNOpt를 유전 알고리즘(GA)과 결합하여 후보 물질의 검색 프로세스를 가속화할 수 있다는 점도 언급할 가치가 있습니다.

GNNOpt는 SiO를 포함한 296개의 양자 물질을 성공적으로 검출했습니다.

고성능 에너지 변환 잠재력을 지닌 알려지지 않은 태양 전지 소재 식별 외에도GNNOpt의 또 다른 응용 분야는 양자 물질의 양자 기하학과 위상수학을 감지하는 것입니다.이전에 일부 학자들은 일반화된 양자 가중치의 개념이 스펙트럼에서 유도될 수 있으며 기본 상태의 양자 기하학과 위상 구조를 직접적으로 나타내는 지표임을 보여주었습니다. 양자 무게 K_{더블 엑스} 이는 역 주파수 가중 f-합계 규칙의 수정입니다.

* 양자 무게 K_{더블 엑스} 이는 양자 시스템에서 중요한 물리량으로, 물질의 광학적, 전자적 특성과 관련이 있으며, 특히 양자 기하학적, 위상적 특성을 측정하는 데 사용됩니다. 이는 물질의 양자 기하학과 광학적 또는 전기적 특성 사이의 연결을 설명합니다.

그림 a에서 연구자들은 테스트 세트에서 예측된 K를 h/e²와 비교했습니다._{더블 엑스} 그리고 진짜 K_{더블 엑스} .의 값. K에서_{더블 엑스} < 25, R² = 0.73은 GNNOpt 예측 결과가 DFT 계산의 실제 결과와 유사함을 나타냅니다.

GNNOpt가 예측한 K_{더블 엑스} 그리고 DFT로 계산된 실제 K_{더블 엑스} 비교 다이어그램

따라서 GNNOpt는 5,281개의 알려지지 않은 절연 재료의 K 값을 예측하는 데 사용되었습니다._{더블 엑스} 그림 b에 값이 표시되어 있습니다. 분석을 단순화하려면연구원들은 유명한 위상 절연체 Bi를 변형했습니다.₂테₃ 양자 가중치 K_{더블 엑스} = 양자 물질을 분류하기 위한 임계값인 28.87, 여기서 K_{더블 엑스} 재료 > 28.87은 높은 K로 간주됩니다._{더블 엑스} 재료.

최종적으로 연구진은 297개의 고-Kxx 물질을 식별했습니다. ZrTe와 같은 이러한 재료 중 일부는₅ (케이_{더블 엑스} = 33.90) 、 TaAs₂ (케이_{더블 엑스} = 37.66) 、FeSi(K_{더블 엑스} = 48.74) 및 NbP(K_{더블 엑스} = 35.58) 등을 가지며, 비정상적인 홀 효과, 큰 자기 저항, 위상 페르미 아크 및 양자 진동을 갖는 양자 물질로 확인되었습니다.

GNNOpt를 사용하여 높은 양자 가중치 K를 갖는 샘플 검색_{더블 엑스} 양자 물질

SiOs는 매우 높은 양자 가중치(K)를 가지고 있기 때문에_{더블 엑스} = 46.52) 이전에 심도 있게 연구되지 않았기 때문에 연구진은 SiO에 대한 추가 DFT 계산을 수행하고 전자 밴드 구조를 분석했습니다. 그림 c에 나타낸 바와 같이,SiOs는 Γ 지점과 R 지점에 각각 3중 페르미온과 이중 바일 페르미온을 가지고 있습니다.

그림 d는 연구자들이 최대 국소화된 Wannier 함수와 Green 함수 방법을 사용하여 SiOs (001) 표면의 밴드 구조를 계산했으며, 이는 SiOs의 초양자 특성을 나타냅니다.

인공지능은 소재 연구개발 과정을 혁신하고, 소재는 역으로 생성될 것이다.

재료과학의 급속한 발전 속에서 AI 기술이 혁명을 주도하고 있습니다.. 이전에 중국공학원 원사인 간융은 "인공지능이 소재 연구개발 과정을 재편하고, 소재는 역으로 생성될 것"이라고 공개적으로 언급한 바 있습니다.

첫째, 소재 발견에 AI를 적용하는 것이 특히 중요하다. 2023년 11월 말, 구글 딥마인드는 재료 과학을 위한 AI 강화 학습 모델인 GNoME을 출시했습니다.이 모델과 고처리량 제1원리(DFT) 계산을 통해 38만 개 이상의 열역학적으로 안정적인 결정질 물질이 발견되어 새로운 물질을 발견하는 연구 속도가 크게 향상되었습니다.
자세한 보고서를 보려면 클릭하세요: 인류보다 800년 앞서 있나요? DeepMind, 딥러닝을 활용해 220만 개의 새로운 수정을 예측하는 GNoME 출시
서류 주소:
https://www.nature.com/articles/s41586-023-06735-9

뒤처지지 않으려고 Microsoft도 GNoME 모델이 공개된 지 며칠 후 재료 과학을 위한 AI 생성 모델인 MatterGen을 출시했습니다.필요한 재료 특성에 따라 새로운 재료 구조를 수요에 따라 예측할 수 있습니다.
서류 주소:
https://arxiv.org/abs/2312.03687

2024년 1월, 마이크로소프트는 미국 에너지부 산하 태평양 북서부 국립연구소(PNNL)와 협업하여 인공지능과 고성능 컴퓨팅을 활용해 3,200만 개의 무기 물질 중에서 전고체 전해질 물질을 선별했습니다.이 기술은 예측에서 실험까지 완전한 폐쇄 루프를 완성했으며 차세대 리튬 이온 배터리 소재를 개발하는 데 도움이 될 수 있습니다.
서류 주소:
https://arxiv.org/abs/2401.04070

또한 AI는 재료의 특성을 예측하는 데에도 중요한 역할을 합니다. 머신러닝 모델을 통해 재료의 전자 구조, 기계적 특성 등을 예측하여 재료 설계를 최적화할 수 있습니다. 예를 들어,베이징대 공과대학 연구원인 천모한(陈毛汉)이 개발한 국내 오픈소스 밀도함수론 소프트웨어인 ABACUS는AI 지원 교환 상관 함수 방식인 DeePKS와 결합하여 DFT 계산의 정확도와 효율성 간의 딜레마가 극복되고 고효율 하이브리드 함수 정확도 계산이 달성됩니다.
서류 주소:
https://pubs.acs.org/doi/10.1021/acs.jpca.2c05000

재료과학 분야에 AI를 적용하는 것은 이를 훨씬 넘어섭니다. 구현 수준에서는 Green Dynamics, CuspAl, DeepVerse와 같이 신소재 분야에 AI를 적용하는 데 전념하는 회사도 있습니다.기술의 지속적인 발전으로 AI는 재료 과학 분야에 무한한 힘을 발휘할 가능성이 있습니다!