使用等变图神经网络精确预测张量谱

这项研究对未来设备的重要性

从智能手机和太阳能电池到传感器和激光器，许多现代设备都依赖材料如何折射、吸收和传输光。这些光学行为常常具有强烈的方向性：晶体对来自不同角度或不同极化态的光的响应可能非常不同。精确计算这些复杂的光-物质相互作用通常耗时很长，从而拖慢了更好材料的筛选速度。本工作引入了一种机器学习工具，能够更快地预测这些丰富的光学响应，可能加速下一代光电技术的设计。

将晶体视为网络

作者关注的光学性质并非用单一数值即可描述，而是用张量——这种数学对象能够捕捉材料沿不同方向对光的不同响应。与其对每种新材料都做繁重的量子力学计算，他们构建了一个称为张量谱等变神经网络（Tensorial Spectra Equivariant Neural Network，TSENN）的模型。TSENN 将每个晶体视为一张图：原子为节点，原子之间的键或近邻连接为边。随后，这张图由一种专门设计以尊重三维空间对称性（如旋转与反射）的神经网络处理，使得旋转输入晶体会以一致的方式旋转预测出的光学响应。

把光响应分解成简单构件

为处理光响应的方向复杂性，团队将光学张量改写为球面分量。一部分是各向同性的，描述光相互作用的整体强度；另一部分捕捉各向异性特征，例如晶体沿某一轴比另一轴响应更强的程度。通过将张量分为这两条通道，TSENN 可以在严格遵守晶体对称性规则的同时，学习整体幅值与方向细节。模型在来自1,432种半导体的数据上进行训练，这些材料的带隙范围与发光二极管和太阳能电池等技术相关，在这些领域理解随光子能量变化的吸收至关重要。

在众多材料上实现快速且精确的预测

训练完成后，TSENN 能以令人印象深刻的精度预测完整的频率依赖光学张量。与详细的量子计算相比，平均偏差约为典型信号单位的八分之一，模型可靠地再现了强烈的对角响应以及更微妙的非对角方向混合效应。它还能保留每种材料谱的特征指纹——揭示电子如何运动和吸收光的峰位与峰形。由于模型在设计上尊重对称性，它会自动恢复高对称性晶体中应当为零的张量分量的正确模式，以及当对称性被降低（例如施加应变）时这些分量如何出现。

在应变下遵循对称性演变

为了检验预测的物理现实性，作者模拟了晶体被拉伸或剪切时的行为。在一例中，一个完美的立方材料沿某一轴被拉长，变为略低对称性的形式。TSENN 的预测显示出期望中的方向性差异近乎线性地增长，与额外的第一性原理计算高度一致。在另一例中，他们倾斜了晶体的一个角度，使新的“离轴”光响应出现。这些新响应的强度随畸变增加而增长，方式与教科书中的预期相匹配。这些测试表明，模型不仅拟合静态数据，还能跟踪光学行为在现实结构变化下的演化。

从光谱到与器件相关的量

尽管 TSENN 在训练时使用的是介电张量的虚部——与吸收直接相关的分量——但它对该量的预测精度足以让作者使用标准数学关系重构互补的实部。两者合在一起提供了材料如何极化和吸收光的完整描述。由此可以导出诸如折射率、吸收边以及对光伏器件、调制器、传感器和非线性光学器件设计至关重要的各向异性度量等实用量。

对材料发现意味着什么

在实际应用中，这一框架把以前在强大计算集群上需要半小时以上的计算，缩短为在单张显卡上大约一秒钟的任务。这样的提速使得对庞大候选材料库进行可取方向光学性质筛查成为可能，而不必逐个检查。因为该方法基于一种通用的张量分解方式，它可以扩展到光学响应以外的其他方向性性质，例如晶体在应力下的形变或在光照下产生电流的能力。对非专业人士而言，关键结论是：TSENN 提供了一条尊重对称性的捷径，用于预测晶体与光的相互作用，从而为更快速地发现和优化用于先进光电技术的材料打开了大门。

引用: Hsu, TW., Fang, Z., Bansil, A. et al. Accurate prediction of tensorial spectra using equivariant graph neural network. Nat Commun 17, 3330 (2026). https://doi.org/10.1038/s41467-026-69159-9

关键词: 光学谱, 图神经网络, 各向异性材料, 介电张量, 材料发现