基于晶体结构直接预测光学光谱的集成嵌入图神经网络

固体中的光学性质，如折射率和吸收，具有从太阳能电池板到传感器、光电探测器和透明显示器等广泛的应用前景。然而，首先原理计算从晶体结构预测光学性质是一个复杂的任务，由于需要严格的收敛准则和高计算成本。最近的机器学习进展在预测材料性质方面显示出前景，但由于缺乏有效的原子嵌入，预测从晶体结构预测光学性质仍然具有挑战性。本文引入 GNNOpt，一种等变图神经网络架构，具有自动嵌入优化。这使得仅凭 944 种材料的数据集即可实现高质量的光学预测。GNOpt 根据克拉克斯-克朗格关系预测所有光学性质，包括吸收系数、复介电常数、复折射率和反射率。我们将训练好的模型用于基于光谱限制最大效率筛选光伏材料，并基于量子权重搜索量子材料。首先原理计算验证了 GNNOpt 模型的有效性，表明其在预测未见材料的光谱方面表现出优异的一致性。发现了具有高预测量子权重的新型量子材料，如 SiOs，该材料可 hosting 特殊准粒子，展示了 GNNOpt 在广泛材料和应用范围内预测光学性质的潜力。