Абстрактный
Применение глубокого обучения (ГО) для проектирования наноматериалов затруднено из-за отсутствия подходящих представлений данных и данных обучения. Мы сообщаем об усилиях по преодолению этих ограничений и использованию DL для оптимизации нелинейных оптических свойств наночастиц с ап-конверсией ядро-оболочка (UCNP). UCNP, которые применяются, например, в биосенсорстве, микроскопии сверхвысокого разрешения и 3D-печати, могут излучать видимый и ультрафиолетовый свет от возбуждений ближнего инфракрасного диапазона. Мы сообщаем о первом крупномасштабном наборе данных спектров излучения UCNP, основанном на точном, но дорогостоящем кинетическом моделировании Монте-Карло (N > 6000), и используем эти данные для обучения нейронной сети с гетерогенными графами (GNN), используя новое представление наноструктуры UCNP. Применяя оптимизацию на основе градиента к обученной GNN, мы идентифицируем структуры с прогнозируемым излучением в 6,5 раз выше при освещении 800 нм, чем любой UCNP в нашем обучающем наборе. Наша работа раскрывает новые принципы проектирования UCNP и представляет собой план обратного проектирования наноматериалов на основе DL.
