物质科学

Physical science

近日，吉林大学张立军课题组与新加坡国立大学Shen Lei课题组展开合作，在Cell Press旗下期刊Matter & Light上发表了一项有意思的研究。他们提出了一种名为SpecGAT的新型谱学习框架，核心思路很直接：用这个框架对超过55万种候选材料进行高效的光吸收性能评估，再与生成模型结合，最终实现“给定目标光谱，反向设计出对应的光吸收材料”这一新范式。

研究背景

光吸收谱，可以说是光电材料的“身份证”了。它刻画了材料在不同光子能量下捕获光子的能力，直接决定了其在太阳能转换、光探测、光催化等领域的应用潜力。第一性原理的计算方法精度高，这是公认的，但高昂的计算成本也让它在面临大规模材料筛选时显得力不从心。近年来，机器学习在材料科学中势头迅猛，预测带隙、形成能这类标量性质已经相当成熟，甚至能实现晶体结构的逆向生成。但问题在于，面对连续、高维且物理信息丰富的光谱数据，现有的方法要么难以兼顾光谱细节的准确性，要么缺乏与材料结构生成的有效耦合。换句话说，“从光谱到材料”这条逆向设计路，一直没被打通。

针对这个痛点，吉林大学与新加坡国立大学的联合团队祭出了SpecGAT框架，开展了对55万种候选材料的高效光吸收性能评估，并进一步打通了与生成模型的连接。这项成果发表在Matter & Light第一期。

成果介绍

先从数据说起。现有的材料数据库里，光吸收谱的标签凤毛麟角，所以研究团队自己动手，通过高通量计算构建了一个包含1859个八面体基元半导体的光吸收谱数据集。有了数据，模型才能施展拳脚。

模型层面，他们提出的SpecGAT是一个多层注意力图神经网络。其输入既包括材料的晶体结构，也包括电子带隙——说白了，就是让模型既能看到材料的骨架，又能掌握电子的“脾气”。在与E(3)NN、CGCNN、M3GNet等主流方法横向对比时，SpecGAT在预测精度上拔得头筹（图1）。

图 1 模型准确性评估结果。

模型训练完成后，第一步是拿来快速预测和筛选材料（图2）。团队对GNoMe数据库中约55万个候选晶体中的半导体进行了光吸收谱预测，结果识别出了一批在近红外、光伏和紫外区域表现出色的强光吸收材料。这些候选材料为未来的数据挖掘和理论分析提供了不错的起点。

图 2 基于GNoMe数据库的光吸收材料预测与筛选结果。

与“直接预测然后筛选”这条路径互补的，是另一个问题：能不能把谱模型和结构生成模型结合起来，实现材料的逆向设计？研究者给出的答案是——可以。他们将SpecGAT学习到的材料表示作为一种衡量光吸收强度的编码，并将其作为生成模型的目标条件，指导晶体结构的生成。最终，团队成功获得了数十种具有强光吸收性质的新型铋基硫族化合物（图3）。

图 3 铋基硫族化合物的逆向生成结果。

总的来说，这项工作不仅实现了面向光吸收谱的数据库级高通量性能预测与筛选，还更进一步，将谱学习模型与生成式人工智能深度融合，构建了一条“目标光谱→晶体结构”的逆向设计通路。可以确定的是，这种数据驱动的机器学习框架一旦成熟，完全有望被推广到其他功能材料的研究中去。

相关论文信息

原文刊载于Cell Press细胞出版社

旗下期刊Matter & Light，

点击“阅读原文”或扫描下方二维码查看文章

▌论文标题：

Motif-to-spectrum learning enables interpretable discovery and inverse design of optical absorbers

▌论文网址：

https://www.sciencedirect.com/science/article/pii/S3117584826000128

▌DOI：

https://doi.org/10.1016/j.matlit.2026.100012