基于梯度的优化复杂的纳米粒子异构结构,通过在异质图的深度学习实现
Eric Sivonxay1, Lucas Attia1,2, Evan Walter Clark Spotte-Smith3
1Energy Technologies Area, Lawrence Berkeley National Laboratory, Berkeley, CA, USA.
Nature computational science
|December 8, 2025
概括
深度学习 (DL) 通过使用大型数据集和图形神经网络优化核心升级纳米粒子 (UCNPs). 这种方法可以识别出具有显著增强光辐射的新型UCNP结构,用于先进的应用.
科学领域:
- 材料科学 材料科学 材料科学
- 纳米技术 纳米技术
- 计算化学计算化学
背景情况:
- 在纳米材料设计中的深度学习 (DL) 应用受到数据表示和可用性的限制.
- 核心上转换纳米粒子 (UCNPs) 由于其独特的发光特性,在生物传感,显微镜和3D打印方面提供了有前途的应用.
研究的目的:
- 克服数据限制并利用DL优化UCNP的非线性光学特性.
- 开发一个DL框架,用于增强排放特征的UCNP的反向设计.
主要方法:
- 使用动力蒙特卡洛模拟生成了UCNP发射光谱的大数据集 (>6,000).
- 训练了一种异质图形神经网络,具有UCNP纳米结构的物理信息表示.
- 在经过训练的网络上使用基于梯度的优化来发现新的UCNP设计.
主要成果:
- 与现有结构相比,在800nm照明下预测的6.5倍更高的UCNP结构被确定.
- 证明了DL方法在预测和优化UCNP绩效方面的有效性.
- 建立了UCNP异构结构的设计原则.
结论:
- 开发的DL框架成功优化了UCNP的非线性光学特性.
- 这项工作为基于DL的纳米材料反向设计提供了路线图.
- 这些发现使得可以为各种技术应用创建具有优异光辐射的UCNP.
