通过元启发式优化和物理信息神经网络解析Eu²⁺掺杂多位点荧光粉的能量传递动力学

为何这种发光晶体重要

LED 照亮我们的居家、手机和车头灯，其颜色和效率在很大程度上由一种称为荧光粉的特殊发光粉末控制。许多优良的荧光粉非常复杂：发光原子可以位于晶体中的不同“座位”，以难以直接观测的方式共享并传递能量。本文展示了现代优化算法和物理感知神经网络如何最终解开那看不见的能量流，揭示哪些过程真正控制亮度、颜色和效率。

多个座位，一个光辉

作者研究了一种基于镧-钙氧氮化物晶体并掺杂铕离子（Eu²⁺）的发黄荧光粉。在这种材料中，Eu²⁺ 可占据两种略有不同的原子环境，称为供体位点和受体位点。这些位点具有相同的基本几何结构，但在键长和周围氮原子数上有所差异，从而使它们的能级发生细微偏移。因此，供体发射的光略偏蓝，而受体发射的光略偏红。当材料用短激光脉冲或蓝光 LED 激发时，其光谱显示来自两类位点的重叠贡献，且随着能量从供体向受体转移，颜色随时间漂移——实验上将这种行为称为“波长淬灭”。

为何简单拟合不足以胜任

传统上，研究者用若干指数函数之和拟合脉冲后光衰减曲线来描述发光随时间的衰落。这在数学上方便，但在物理上具有误导性：它把不同的发光中心视为独立行为，忽略了被激发的 Eu²⁺ 离子彼此交换能量的事实。实际上，供体和受体的群体通过非辐射能量传递相互影响，导致非线性行为，简单的指数和无法真实地表示。对于像这样的多位点荧光粉，作者认为只有包含与群体乘积成比例增长的相互作用项的完整速率方程描述，才能捕捉晶体内部真实发生的过程。

让算法解决难题物理

写出这样的速率方程模型并不困难；但要准确求解并提取所有底层速率的可靠数值却不易。方程是非线性耦合的，没有整洁的解析解。为此，团队将标准数值积分器（Runge–Kutta 方法）与强大的“元启发式”搜索策略——遗传算法和粒子群优化结合使用。这些方法在大参数空间中搜索，寻找一组辐射、非辐射和能量传递速率的组合，使模拟的衰减曲线与在两个分别受供体和受体主导的关键波长处测得的曲线相匹配。由此，他们不仅恢复了总光强如何变化，还重构了常规与轻微缺陷供体和受体的群体随时间演化，这些是无法直接测量的。

把物理规则教给神经网络

同时，作者还部署了物理信息神经网络（PINNs）作为独立验证和更具可扩展性的求解途径。与将神经网络视为黑箱曲线拟合器不同，他们在训练过程中将实际的速率方程嵌入为“物理损失”，同时加入惩罚与实验衰减数据不匹配以及违反初始条件的项。简单的多层感知器（在测试中也包括 LSTM 网络）学习到描述所有态随时间演化的平滑函数，并同时调整相同的物理速率常数。尽管从不同的初始猜测开始训练，甚至在实验数据减少的情况下，PINNs 收敛到的速率常数与 Runge–Kutta 加元启发式方法所得到的数值高度一致。

究竟是什么控制了光

两种方法描绘出一致的物理图景。关键发现是：供体到受体的非辐射传输极为迅速——与被激发离子将能量输送给非发光缺陷的速率相当，并且远快于离子以光子形式发射光的速率。仅在供体之间或仅在受体之间的传输相对较弱。从实际角度看，该荧光粉的发光受控于能量从高能供体高效跃迁到低能受体的过程以及存在多少缺陷会夺取这些能量，而不只是单纯的辐射衰减。对 LED 设计师和材料化学家而言，这意味着控制 Eu²⁺ 离子之间的距离并尽量减少缺陷与选择合适的晶体结构同样重要；并且基于 AI 的物理分析能够提供定量指导，这是粗略的多指数拟合永远无法做到的。

引用: Lee, B.D., Seo, Y.H., Cho, M.Y. et al. Resolving energy transfer dynamics in Eu²⁺-activated multi-site phosphors via metaheuristic optimization and physics-informed neural networks. Nat Commun 17, 1837 (2026). https://doi.org/10.1038/s41467-026-68549-3

关键词: 荧光粉, 能量传递, Eu2+ 发光, 物理信息神经网络, LED 材料