基于图神经网络的非线性光学性质预测
材料科学
2025-04-29 v1 机器学习
光学
摘要
非线性光学（NLO）材料因其在通过二次谐波产生（SHG）生成激光器方面的应用价值而备受青睐。然而，由于实验方法和第一性原理计算耗时且成本高昂，发现具备显著 SHG 性能的新型材料具有挑战性。本研究提出一种深度学习方法，采用原子线图神经网络（Atomistic Line Graph Neural Network，ALIGNN）来预测 NLO 属性。我们基于 Novel Opto-Electronic Materials Discovery（NOEMD）数据库获取数据，并以库尔茨-佩里（Kurtz-Perry）系数作为关键目标，开发出一种能够准确估计非线性光学响应的鲁棒模型。我们的结果表明，该模型在容忍绝对误差可达 1 pm/V、相对误差不超过 0.5 的情况下，准确率达 82.5%。本工作凸显了深度学习在加速发现和设计具有所需属性的先进光学材料方面的潜力。
引用
@article{arxiv.2504.19987,
title = {Graph Neural Network Prediction of Nonlinear Optical Properties},
author = {Yomn Alkabakibi and Congwei Xie and Artem R. Oganov},
journal= {arXiv preprint arXiv:2504.19987},
year = {2025}
}
备注
7 pages, 2 figures, 2 tables