Les matériaux fonctionnels optoélectroniques infrarouges sont essentiels pour les applications dans les lasers, les photodétecteurs et l'imagerie infrarouge, formant l'épine dorsale technologique de l'optoélectronique moderne. Traditionnellement, le développement de nouveaux matériaux infrarouges s'est fortement appuyé sur des méthodes expérimentales d'essai et d'erreur. Cependant, ces approches peuvent être inefficaces dans le vaste paysage chimique, car seul un nombre limité de composés peut atteindre un équilibre de plusieurs propriétés critiques simultanément.
Pour relever ce défi, les chercheurs de l'Institut technique du Xinjiang de physique et de chimie de l'Académie chinoise des sciences ont fait des progrès importants dans la découverte assistée par l'apprentissage automatique (ML) de matériaux fonctionnels infrarouges (IRFMS). L'équipe de recherche a développé un cadre cohésif qui intègre des techniques ML interprétables pour faciliter la synthèse ciblée de ces matériaux.
Le document est publié dans la revue Science avancée.
Grâce à une analyse interprétable approfondie de son modèle, l'équipe a pu extraire des connaissances clés du domaine pertinentes pour le système de chalcogénure. En utilisant ces connaissances, ils ont utilisé un prédicteur IRFM pour guider efficacement la synthèse expérimentale de nouveaux matériaux.
Cela les a conduits à la découverte d'une nouvelle famille d'halogénures sélénoborales: ABA3(BSE3)2X, où A représente RB ou CS et X signifie Cl, Br ou I. Ces composés démontrent un ensemble bien équilibré de propriétés, y compris des bandes interdites larges, une forte réponse de génération harmonique, une biréfringence modérée et des seuils de dégâts induits par le laser élevés, indiquant un grand potentiel en tant que IRFMS à haute performance.
De plus, une analyse des relations structure-propriété a révélé que le (BSE3) L'unité contribue de manière significative aux propriétés optiques exceptionnelles, suggérant son potentiel en tant que bloc de construction actif pour l'exploration future des IRFM à haute performance.
Cette étude surmonte les limites des méthodes conventionnelles d'essais et d'erreurs, ouvrant la voie à la conception axée sur l'IA de matériaux cristallins fonctionnels.
