Sztuczna inteligencja przyspiesza odkrywanie nowych materiałów energetycznych dzięki narzędziom opartym na sieciach grafowych

WarsawNaukowcy z Uniwersytetu Tohoku i MIT opracowali zaawansowane narzędzie AI do szybkiego określania właściwości optycznych materiałów. To narzędzie może znacząco przyspieszyć proces tworzenia materiałów wykorzystywanych w energii słonecznej i optoelektronice. Standardowo, odkrywanie tych właściwości jest czasochłonne i skomplikowane, ale dzięki temu modelowi AI analiza struktury krystalicznej materiału, oparta na zasadach jak relacja Kramersa-Kröniga, staje się znacznie szybsza.

Badanie jak materiały oddziałują ze światłem jest istotne, ponieważ wpływa na wydajność wielu technologii.

• Dioda elektroluminescencyjna (LED)
• Ogniwa słoneczne
• Fotodetektory
• Zintegrowane układy fotoniczne

Branża półprzewodników może zyskać wiele dzięki wykorzystaniu tego narzędzia, gdyż doświadcza obecnie dynamicznego wzrostu. Obecnie stosowane praktyki opierają się na złożonych symulacjach kwantowych, które wymagają dużej mocy obliczeniowej. Dzięki zastosowaniu sztucznej inteligencji naukowcy mogą pokonać ograniczenia tradycyjnych metod i uzyskać zbliżone rezultaty znacznie szybciej. Nowe podejście wykorzystuje grafowe sieci neuronowe (GNN), które przedstawiają atomy i wiązania jako elementy grafu.

Zobacz również:

Dzisiaj · 04:24

Przełom w nanonauce: ultraszybkie przewodzenie jonów przyspiesza ładowanie i biosensory na WSU i Berkeley

Jednym z wyzwań związanych z grafowymi sieciami neuronowymi (GNN) jest to, że nie działają one dobrze z każdą strukturą krystaliczną. Naukowcy opracowali uniwersalną metodę osadzania w zbiorach, aby rozwiązać ten problem. Podejście to łączy różne modele w celu zwiększenia dokładności prognoz, nie zmieniając samych sieci neuronowych. Ma to ogromny potencjał dla postępów w dziedzinie nauki o danych.

Nowa metoda może zostać zintegrowana z obecnymi systemami uczenia maszynowego, aby dokładnie przewidywać właściwości optyczne. Ta zdolność jest przydatna przy analizie materiałów do ogniw słonecznych oraz przy poszukiwaniu materiałów kwantowych. Potencjał metody wykracza poza optyczne właściwości. Przyszłe badania będą dążyć do opracowania baz danych dla innych cech materiałów, takich jak właściwości mechaniczne i magnetyczne.

Nowe osiągnięcie może zwiększyć efektywność źródeł energii odnawialnej, takich jak energia słoneczna. Dzięki skróceniu czasu potrzebnego na poszukiwanie nowych materiałów, narzędzie oparte na sztucznej inteligencji przyspiesza badania naukowe i rozwój technologii praktycznych. Jego łatwa integracja z istniejącymi systemami podkreśla potencjał do transformacji w badaniach nad nauką o materiałach.