东京大学 东京大学的科学家使用机器学习来预测材料的激发态电子状态——这种研究可以加速材料的表征以及新的有用化合物的形成
学分:东京大学工业科学研究所 东京大学工业科学研究所的研究人员使用人工智能来快速推断材料中电子的激发态
这项工作可以帮助材料科学家研究未知样品的结构和性质，并帮助设计新材料
问任何化学家，他们都会告诉你，材料的结构和性质主要是由围绕组成它的分子运行的电子决定的
具体来说，最外层的电子是最关键的，它们最容易参与成键和化学反应
这些电子可以停留在最低能量的“基态”，或者暂时被踢到一个更高的轨道，称为激发态
拥有从基态预测激发态的能力将大大有助于研究人员理解材料样品的结构和性质，甚至设计新的样品
现在，UTokyo-IIS的科学家已经开发出一种机器学习算法来实现这一目标
利用人工神经网络的能力——已经证明它们对判断你最近的信用卡交易是否欺诈或推荐哪部电影是有用的——研究小组展示了如何训练人工智能通过了解材料的基态来推断激发态光谱
“激发态通常有不同于它们相应基态的原子或电子结构，”第一作者申清原说
为了进行训练，科学家们使用了来自核心电子吸收光谱的数据
在这种方法中，高能x光或电子被用来击昏一个靠近原子核的核心电子
然后，核心电子激发到未被占据的轨道，吸收高能x光/电子的能量
测量这种能量吸收揭示了关于原子结构、化学键和材料性质的信息
人工神经网络以易于计算的基态部分态密度作为输入，并训练预测相应的激发态光谱
与传统的计算方法相反，使用神经网络的主要好处之一是能够将训练集的结果应用于全新的情况
资深作者沟口泰哉说:“我们发现的一种材料的模式显示出对其他材料的极好的可移植性。”
“对激发态的研究可以帮助科学家更好地理解新的或现有化合物的化学反应性和材料功能
" 这项工作发表在npj计算材料上，名为“通过使用人工神经网络从基态学习激发态”
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
