基于图神经网络的太阳能电池材料介电函数加速预测
材料科学
2025-10-13 v1 其他凝聚态物理
摘要
我们提出了一种原子级线图神经网络 (ALIGNN) 模型，用于从晶体结构直接预测介电函数。该模型在约7000个介电函数的数据集上训练而来，该数据集来自JARVIS-DFT数据库，使用meta-GGA交换关联泛函计算。该模型准确再现了谱特征，包括峰强度和整体线状轮廓，同时实现了高效的高通量筛选。应用于最新开发的亚历山大材料数据库，包含超过40万个绝缘体材料，我们发现明显的元素趋势，其中钒显示为具有高光谱限制最大效率 (SLME) 材料的强指示器。特别是，钒基钙钛矿材料中高-SLME化合物的比例显著高于数据库平均值，凸显了其在光电器件应用中的前景。
引用
@article{arxiv.2510.08738,
title = {Accelerated prediction of dielectric functions in solar cell materials with graph neural networks},
author = {Caden Ginter and Kamal Choudhary and Subhasish Mandal},
journal= {arXiv preprint arXiv:2510.08738},
year = {2025}
}