AI driver jakten på nya material för energi- och kvantteknologi med hög hastighet.

StockholmForskare vid Tohoku University och MIT har utvecklat ett AI-verktyg som snabbt kan fastställa de optiska egenskaperna hos material. Detta verktyg har potential att avsevärt förbättra utvecklingen av material som används inom solenergi och optoelektronik. Vanligtvis är det en långsam och komplex process att hitta dessa egenskaper, men denna AI-modell påskyndar det genom att analysera materialets kristallstruktur baserat på principer som Kramers-Krönigs relation.

Att studera hur material interagerar med ljus är avgörande eftersom det påverkar effektiviteten hos många teknologier.

• LED-lampor
• Solceller
• Fotodetektorer
• Fotontiska integrerade kretsar

Halvledarindustrin kan dra stor nytta av detta verktyg då den befinner sig i en tillväxtfas. Nuvarande metoder använder komplexa kvantsimuleringar som kräver mycket beräkningskraft. Genom att använda AI kan forskare övervinna begränsningarna med traditionella metoder och uppnå liknande resultat mycket snabbare. Denna nya metod bygger på grafnätverksmodeller (GNNs), där atomer och bindningar representeras som delar av en graf.

Läs också:

Idag · 00:15

Ny AI-revolution: UroBot överträffar erfarna urologer i noggrannhet och pålitlighet i vården

Ett problem med Graph Neural Networks (GNNs) är att de inte fungerar bra med alla kristallstrukturer. Forskare har utvecklat en universell ensembleinbäddningsmetod för att lösa detta problem. Denna metod kombinerar olika modeller för att förbättra förutsägelsens noggrannhet utan att ändra på neurala nätverken själva. Detta har stor potential för framsteg inom datavetenskapen.

Denna nya metod kan integreras i nuvarande maskininlärningssystem för att noggrant förutsäga optiska egenskaper. Förmågan är värdefull vid granskning av material för solceller och upptäckt av kvantmaterial. Metodens potential sträcker sig bortom optiska egenskaper. Framtida forskning syftar till att bygga databaser för andra materialegenskaper, som mekaniska och magnetiska.

Denna nya utveckling kan göra förnybara energikällor som solenergi mer effektiva. Genom att förkorta tiden det tar att upptäcka nya material påskyndar AI-verktyget både vetenskaplig forskning och praktiska teknologiska förbättringar. Dess enkla integration i befintliga system visar dess potential att förändra hur vi studerar materialvetenskap.