基于等变图神经网络的张量光谱精确预测
材料科学
2025-12-11 v4 光学
摘要
光学光谱为利用光-物质相互作用解构复杂电子特征提供了强大的工具，例如平坦带和非平凡拓扑，这些洞察力对于开发和优化光电器件（包括太阳能电池、发光二极管和光电探测器）至关重要，因为器件性能与底层电子光谱的性质密切相关。然而，现实的张量光响应建模计算负担较重，仍然具有挑战性。本文引入了张量光谱等变神经网络(TSENN)，这是一种等变图神经网络架构，直接将晶体结构映射到其完整的光子-频率依赖光学张量。通过将各向同性顺序标量分量以及各向异性顺序张量分量编码为 l = 0 和 l = 2 球面张量分量，TSENN 确保对晶体结构对称性的预测是一致的。我们在由第一性原理计算得到的 1432 个bulk半导体频率依赖介电常数张量数据集上训练，该模型实现了 21.181 毫法拉/米(mF/m)的平均绝对误差(MAE)，展示了其在高效建模其他相关属性（如光学电导率）方面的潜力。我们的框架为加速材料发现以发展光电应用提供了新的设计思路。
引用
@article{arxiv.2505.04862,
title = {Accurate Prediction of Tensorial Spectra Using Equivariant Graph Neural Network},
author = {Ting-Wei Hsu and Zhenyao Fang and Arun Bansil and Qimin Yan},
journal= {arXiv preprint arXiv:2505.04862},
year = {2025}
}
备注
44 pages, 24 figures