Jak může strojové učení pomoci předpovídat spektrální vlastnosti materiálů - whitepaper

Vechny techniky ve výpočetní materiálové vědě vyžadují, aby vědci určili správný soubor parametrů, které vystihují fyzikální vlastnosti konkrétního studovaného materiálu. Výpočet těchto parametrů od nuly je někdy možný, ale stojí mnoho času a výpočetního výkonu. Vědci se proto vždy snaží najít efektivnější způsoby, jak je odhadnout, aniž by bylo nutné provést celý výpočet.
To je případ Koopmansových funkcionálů, slibného přístupu, který rozšiřuje možnosti teorie funkcí hustoty tak, aby ji bylo možné použít k předpovídání spektrálních vlastností materiálů (například jaké frekvence světla materiál absorbuje), a nejen jejich základního stavu (například optimální polohy atomů v daném materiálu). Přesnost Koopmansových funkcionálů závisí na nalezení správných "parametrů stínění" pro studovaný systém.
"Parametry stínění lze interpretovat jako míru reakce ostatních elektronů v systému na přidání nebo odebrání elektronu," vysvětluje Edward Linscott, postdoktorand v Centru pro vědecké výpočty, teorii a data Institutu Paula Scherrera a člen skupiny MARVEL. Termín "stínění" odkazuje na skutečnost, že ostatní elektrony zastíní - nebo jinými slovy odstíní - přidání nového elektronu někomu, kdo sleduje systém zvenčí. Linscott pokračuje: "A toto elektronické stínění - proces přidávání nebo odebírání elektronů ze systému - je přesně ten fyzikální proces, který nás zajímá, když mluvíme o spektrálních vlastnostech. Například v solárních článcích tím, že svítíme na fotovoltaický materiál, z něj vyřazujeme elektrony a generujeme elektrický proud." Teorie funkcí hustoty je velmi špatná v popisu takovýchto procesů a parametry stínění nám říkají, do jaké míry nám aproximace DFT selhává a jakou sílu korekce musíme použít, abychom situaci správně vykoupili," říká Linscott.
(detaily jsou v angličtině)

Datum: 17.1.2025

strojové učení ve spektroskopii