科学家们正在使用机器学习来加速开发可以利用阳光能量的材料。
利用阳光有望成为为下一代技术(从太阳能燃料电池到水处理系统)清洁产生可再生能源的一种手段。此类技术需要了解材料和分子吸收阳光时会发生什么。
计算机模拟可以帮助我们更好地理解光与物质的相互作用。但是，对具有多种类型结构(例如固体/水界面)的材料进行建模是一项复杂的任务。但是现在，能源部 (DOE) 阿贡国家实验室的一个研究小组找到了一种简化这些建模任务的方法。
使用基于机器学习的数据驱动方法，该团队能够简化描述光如何被固体、液体或分子吸收的量子力学方程的解。研究结果最近发表在《化学科学》上。
该研究的合著者兼阿贡材料科学助理科学家 Marco Govoni 说：“起初这当然不直观，但事实证明，机器学习技术可用于与识别图像或预测消费者需求大不相同的目的。”分配。
诀窍?认识到并非量子力学方程的所有项都需要以相同的方式计算。事实上，可以从更简单的数量中计算或学习某些术语，从而显着加快整体模拟。
“我们工作的一个重要实现是理解我们可以重复使用为给定固体或液体获得的信息，而无需对类似系统重复计算。本质上，我们提出了一种回收协议，以降低模拟所需的计算复杂性材料和分子对光的吸收，”进行这项研究时是阿贡的博士后研究员、现任东北大学助理教授的董思佳说。
当涉及在高性能计算架构上可能需要数小时甚至数天的模拟时，这些协议可以节省大量成本。
事实上，该团队设计的技术使复杂系统吸收光谱的模拟运行速度提高了 10 到 200 倍。这些系统包括固体/液体界面，例如水和光电极(一种可以将阳光转化为电能的材料)之间的界面。
“我们的研究还深入了解了如何改进和修改模拟中使用的基础理论，”阿贡能源-水系统先进材料 (AMEWS) 中心材料科学部高级科学家兼战略副主任 Giulia Galli 说。 . Galli 还是芝加哥大学的 Liew Family 分子工程教授和化学教授，以及总部位于阿贡的中西部计算材料综合中心 (MICCoM) 的主任。
“我们的机器学习练习的影响比预期的更深远;我们采用的数据驱动方法向我们展示了在比我们开始研究的系统更现实、更复杂的系统中研究光物质相互作用的新方法，”加利补充道。
该团队现在正在考虑将这些捷径和回收协议应用于电子结构问题，不仅与光吸收有关，而且还与量子传感应用的光操纵有关。