Fysikinformerat Hamiltonian-inlärning för storskalig prediktion av optoelektroniska egenskaper

Varför detta spelar roll för bättre solceller och lysdioder

Design av nästa generations solceller, lysdioder och andra ljusbaserade teknologier förlitar sig i allt högre grad på simuleringar av hur elektroner rör sig i komplexa material. Men de mest exakta kvantmekaniska beräkningarna är så beräkningsintensiva att de brister för realistiska, oordnade kristaller med tiotusentals atomer. Denna artikel introducerar en ny metod, kallad HAMSTER, som blandar etablerad fysik med maskininlärning för att göra sådana stora, realistiska simuleringar både genomförbara och pålitliga.

En genväg som ändå respekterar fysiken

I hjärtat av arbetet ligger utmaningen att prediktera Hamiltonian, den centrala matematiska storheten som kodar hur elektroner beter sig i ett material. Om man känner till Hamiltonian kan man beräkna nyckelkvantiteter som bandgap, vilka bestämmer hur ett material absorberar och avger ljus. Rent datadrivna neurala nätverk kan lära sig denna avbildning från atomära positioner till Hamiltonian, men de kräver vanligtvis enorma träningsmängder och ger liten insikt i vad modellen gör. Författarna utgår istället från en välförstådd approximativ fysikalisk modell kallad tight binding, som redan fångar de viktigaste interaktionerna mellan atomer. Maskininlärningskomponenten får därefter endast i uppdrag att lära sig de återstående skillnaderna mellan denna approximation och högprecisions kvantberäkningar, vilket drastiskt minskar inlärningsbördan.

Att lära modellen att känna av sin omgivning

En viktig nyhet är hur HAMSTER kodar ”miljön” runt varje atompar. I verkliga material vibrerar och förskjuts atomer när temperaturen stiger, och närliggande atomer förändrar subtilt hur elektroner rör sig mellan ett givet atompar. Traditionella tight-binding-modeller bortser till stor del från dessa fleratomsinverkningar. HAMSTER representerar de lokala omgivningarna för två interagerande atomer med en kompakt deskriptor som återspeglar vilka grannar som ligger inom ett valt avstånd, hur långt bort de är och hur deras orbitaler är orienterade. En mjuk avskärning säkerställer att avlägsna atomer bidrar mindre. En enkel maskininlärningsmodell baserad på radiala basfunktioner använder sedan dessa deskriptorer för att lägga till små korrektioner till tight-binding-Hamiltonian-elementen, med fokus på de saknade miljöeffekterna istället för att lära om grundläggande fysik från början.

Från enkla halvledare till komplexa perovskiter

För att validera idén applicerar teamet först HAMSTER på galliumarsenid, en välstuderad halvledare, och visar att metoden kan nå nära förstaprincipernas noggrannhet i prediktion av energinivåer med endast ett fåtal träningsstrukturer. Därefter tar de sig an ett betydligt tuffare mål: halidperovskiter såsom CsPbBr3 och MAPbBr3, lovande material för solceller och ljusutstrålare som är notoriskt svåra att modellera på grund av sina mjuka gitter och kraftiga termiska fluktuationer. För CsPbBr3 reproducerar HAMSTER, tränad på molekyldynamiksnapshots vid en enda temperatur, detaljerade kvantberäkningar över ett brett temperaturområde och håller felen i bandgapet och energinivåerna inom några hundradels elektronvolt. Den fångar också hur bandgapet fluktuerar över tid när atomerna rör sig, en kritisk ingrediens för realistiska device-prediktioner.

Nå riktigt stora system

Eftersom HAMSTER är mycket billigare än fullständiga kvantberäkningar kan författarna skala upp till simuleringslådor som innehåller tiotusentals atomer—storlekar som är helt opraktiska för standard density functional theory. För CsPbBr3 kombinerar de ett maskininlärt kraftfält för atomrörelser med HAMSTER för den elektroniska strukturen och analyserar en 16 × 16 × 16 supercell med mer än 20 000 atomer. I dessa enorma system jämnar kortsiktiga bandgapfluktuationer ut sig och avslöjar en tydlig temperaturtrend som överensstämmer väl med experimentella mätningar. En liknande strategi för MAPbBr3 gör det möjligt att studera celler som närmar sig 50 000 atomer och kartlägga hur både systemstorlek och temperatur påverkar bandgapet, återigen i god kvalitativ överensstämmelse med experiment.

Vad detta betyder för framtida materialdesign

Sammanfattningsvis visar studien att väva in fysikalisk kunskap i maskininlärning är ett kraftfullt sätt att överbrygga klyftan mellan enkla modeller och fullt förstaprincipsimuleringar. HAMSTER bevarar tolkbarheten i en Hamiltonian-baserad beskrivning samtidigt som den uppnår den noggrannhet och mångsidighet som krävs för att hantera termiska effekter, kemiska substitutioner och realistiska längdskalor. För icke-specialister är slutsatsen att denna typ av fysikinformerad inlärning kan bli ett praktiskt arbetsdjur för att utforska nya ljusupptagande och ljusutstrålande material i datorn och vägleda experiment mot de mest lovande kandidaterna utan de höga kostnaderna för traditionella kvantberäkningar.

Citering: Schwade, M., Zhang, S., Vonhoff, F. et al. Physics-informed Hamiltonian learning for large-scale optoelectronic property prediction. Nat Commun 17, 2652 (2026). https://doi.org/10.1038/s41467-026-70865-7

Nyckelord: halidperovskiter, maskininlärning inom materialvetenskap, elektronstruktur, optoelektroniska egenskaper, tight-binding Hamiltonian