帖子
勛章
關注
任務
中科院理化所發(fā)展出中紅外非線性光學材料篩選新策略 近日，中國科學院理化技術研究所林哲帥團隊發(fā)展了基于機器學習的中紅外非線性光學材料篩選新策略，并利用該方法在硫屬化合物這一中紅外非線性光學材料的常見候選體系中篩選出若干種潛在的具有平衡的熱輸運和光學性能的中紅外非線性光學材料。研究結合低精度的熱導率半經驗方法計算數據和高精度的實驗測量數據，利用遷移學習（Transfer Learning，TL）手段，建立了基于晶體圖神經網絡（Crystal Graph Convolutional Neural Network，CGCNN）算法的晶格熱導率回歸預測模型，在測試集上獲得了與半經驗計算方法相當的預測精度，減少了粗略評估晶格熱輸運性能所需的計算資源和時間。研究對Materials Project數據庫收錄的6000余種非中心對稱硫屬化合物進行晶格熱導率預測，根據熱導率預測值、帶隙和總能等標準篩選出78種材料（其中39種被報道為非線性光學材料）。研究通過進一步對未報道的材料進行第一性原理計算發(fā)現，2種兼具大倍頻效應、高晶格熱導率、寬帶隙和適宜雙折射率的潛在中紅外非線性光學材料Li2SiS3和AlZnGaS4被篩選出，同時第一性原理計算獲得的高晶格熱導率數值與機器學習預測值相接近，證實了預測工具的可靠性。 研究進而對機器學習模型產生的晶格熱導率數據、文獻報道的非線性光學性能數據進行數據分析，發(fā)現硫屬化合物中由4配位基團組成，其中心陽離子鍵價和為+2~+3且來自IIIA、IVA、VA和IIB族元素的材料，如類金剛石硫屬化合物，是具有大的倍頻系數和熱導率的中紅外非線性光學材料的有力候選者。 本工作將機器學習與第一性原理計算、高通量篩選相結合，提出了一套中紅外非線性光學材料性能預測和篩選的完整工作流程，揭示了產生大的熱導率和倍頻系數的結構化學規(guī)律。該研究不僅為非線性光學晶體的篩選提供了有效策略，而且為尋找具有平衡的非線性光學性能和抗激光損傷性能的晶體提供了可解釋的研究方向。  相關研究成果以A Machine Learning Study on High Thermal Conductivity Assisted to Discover Chalcogenides with Balanced Infrared Nonlinear Optical Performance為題，發(fā)表在《先進材料》（Advanced Materials）上。研究工作得到國家自然科學基金的支持。 論文鏈接：https://doi.org/10.1002/adma.202309675 |
最新評論
-
sac 2023-12-27 00:02中紅外非線性光學
-
phisfor 2023-12-27 07:06中科院理化所發(fā)展出中紅外非線性光學材料篩選新策略
-
雨后無文 2023-12-27 08:35紅外非線性光學
-
cufgr 2023-12-27 08:38本工作將機器學習與第一性原理計算、高通量篩選相結合，提出了一套中紅外非線性光學材料性能預測和篩選的完整工作流程，揭示了產生大的熱導率和倍頻系數的結構化學規(guī)律。該研究不僅為非線性光學晶體的篩選提供了有效策略，而且為尋找具有平衡的非線性光學性能和抗激光損傷性能的晶體提供了可解釋的研究方向。
-
11yy 2023-12-27 08:45利用遷移學習手段，建立了基于晶體圖神經網絡算法的晶格熱導率回歸預測模型，在測試集上獲得了與半經驗計算方法相當的預測精度，減少了粗略評估晶格熱輸運性能所需的計算資源和時間。
-
tassy 2023-12-27 08:45紅外非線性光學篩選新策略
-
牛開心 2023-12-27 08:48以較低代價獲得對材料熱導率的準確預測，對于評估中紅外非線性光學材料的抗激光損傷性能，以及實現倍頻效應、激光損傷閾值、雙折射率以及紅外透過范圍之間的平衡具有重要意義。
-
楊森 2023-12-27 08:50熱導率數據的準確獲取較為困難，材料的熱輸運性能長期被忽視
-
liulin666 2023-12-27 08:56中科院理化所發(fā)展出中紅外非線性光學材料篩選新策略
-
qyzyq37jason618 2023-12-27 09:02近日，中國科學院理化技術研究所林哲帥團隊發(fā)展了基于機器學習的中紅外非線性光學材料篩選新策略，并利用該方法在硫屬化合物這一中紅外非線性光學材料的常見候選體系中篩選出若干種潛在的具有平衡的熱輸運和光學性能的中紅外非線性光學材料。研究結合低精度的熱導率半經驗方法計算數據和高精度的實驗測量數據，利用遷移學習（Transfer Learning，TL）手段，建立了基于晶體圖神經網絡（Crystal Graph Convolutional Neural Network，CGCNN）算法的晶格熱導率回歸預測模型，在測試集上獲得了與半經驗計算方法相當的預測精度，減少了粗略評估晶格熱輸運性能所需的計算資源和時間。研究對Materials Project數據庫收錄的6000余種非中心對稱硫屬化合物進行晶格熱導率預測，根據熱導率預測值、帶隙和總能等標準篩選出78種材料（其中39種被報道為非線性光學材料）。研究通過進一步對未報道的材料進行第一性原理計算發(fā)現，2種兼具大倍頻效應、高晶格熱導率、寬帶隙和適宜雙折射率的潛在中紅外非線性光學材料Li2SiS3和AlZnGaS4被篩選出，同時第一性原理計算獲得的高晶格熱導率數值與機器學習預測值相接近，證實了預測工具的可靠性。
研究進而對機器學習模型產生的晶格熱導率數據、文獻報道的非線性光學性能數據進行數據分析，發(fā)現硫屬化合物中由4配位基團組成，其中心陽離子鍵價和為+2~+3且來自IIIA、IVA、VA和IIB族元素的材料，如類金剛石硫屬化合物，是具有大的倍頻系數和熱導率的中紅外非線性光學材料的有力候選者。
本工作將機器學習與第一性原理計算、高通量篩選相結合，提出了一套中紅外非線性光學材料性能預測和篩選的完整工作流程，揭示了產生大的熱導率和倍頻系數的結構化學規(guī)律。該研究不僅為非線性光學晶體的篩選提供了有效策略，而且為尋找具有平衡的非線性光學性能和抗激光損傷性能的晶體提供了可解釋的研究方向。