Une équipe de recherche de l'Institut technique du Xinjiang de physique et de chimie de l'Académie chinoise des sciences a fait des progrès dans la conception théorique des matériaux optiques non linéaires (NLO) en tirant parti des techniques d'apprentissage automatique. L'équipe a introduit une nouvelle stratégie pour explorer des espaces chimiques inexplorés, permettant la prédiction quantitative des coefficients de génération de seconde (SHG) pour les systèmes NLO complexes s'étendant sur des longueurs d'onde infrarouge en profondeur ultraviolette.
Le développement de matériaux NLO haute performance a été entravé par l'immensité de l'espace chimique et l'absence d'outils de prédiction théoriques efficaces. Pour relever ce défi, les chercheurs ont intégré l'apprentissage automatique avec des méthodes de génération de structure cristalline, créant un modèle prédictif qui utilise des descripteurs de composition et structurels pour guider la synthèse de nouveaux matériaux NLO.
Au cœur de leur approche se trouve un modèle d'apprentissage automatique formé pour prédire les coefficients SHG maximaux des matériaux NLO. En analysant les relations entre la composition chimique, les caractéristiques structurelles et les propriétés des matériaux, le modèle propose une voie systématique pour comprendre les corrélations de la structure.
Pour rationaliser davantage le processus de découverte, les chercheurs ont mis en œuvre une technique de génération de structure cristalline rapide, établissant un flux de travail efficace pour explorer des espaces chimiques inconnus. Ce cadre permet aux chercheurs de saisir un fichier de structure cristalline et d'obtenir rapidement le coefficient SHG prévu, réduisant considérablement le temps requis pour le dépistage des matériaux.
De plus, les chercheurs ont appliqué ce flux de travail à des matériaux infrarouges NLO, identifiant sept composés prometteurs avec de fortes réponses SHG. Un de ces composés, CSIN5SE8a été synthétisé expérimentalement et caractérisé, présentant un coefficient SHG (D24) dépassant celui des agas du matériau de référence2. Cette validation expérimentale souligne l'efficacité de l'approche de conception théorique proposée.
L'étude, publiée dans Petitreprésente un progrès dans la prédiction quantitative des coefficients SHG en utilisant l'apprentissage automatique.
