中红外非线性光学晶体能够通过频率转换产生中红外可调谐激光，在环保、医疗等方面有广泛的应用。目前，主要的商用红外非线性光学晶体有硫镓银、硒镓银和磷锗锌等，但由于其存在激光损伤阈值较低的缺陷，逐渐难以满足更加丰富的实际需求。因此，急需探索抗激光损伤性能更优异的中红外非线性光学材料。由于热损伤是激光损伤的重要组成部分，具有大热导率的非线性光学材料有可能具备高的激光伤阈值。然而，在非线性光学材料的探索中，由于热导率数据的准确获取较为困难，材料的热输运性能长期受到忽视。因此，以较低代价获得对材料热导率的准确预测对于评估中红外非线性光学材料的抗激光损伤性能并实现倍频效应、激光损伤阈值、双折射率以及红外透过范围之间的平衡有重要的意义。
近日，中国科学院理化技术研究所林哲帅团队发展了一种基于机器学习的中红外非线性光学材料筛选新策略，并利用该方法在硫属化合物这一中红外非线性光学材料的常见候选体系中筛选了若干种潜在的具有平衡的热输运和光学性能的中红外非线性光学材料。他们结合低精度的热导率半经验方法计算数据和高精度的实验测量数据，利用迁移学习（Transfer Learning, TL）手段，建立了基于晶体图神经网络（Crystal Graph Convolutional Neural Network, CGCNN）算法的晶格热导率回归预测模型，在测试集上获得了与半经验计算方法相当的预测精度，大大减少了粗略评估晶格热输运性能所需的计算资源和时间。研究人员对 Materials Project数据库中收录的6000余种非中心对称硫属化合物进行了晶格热导率预测，根据热导率预测值、带隙和总能等标准筛选出78种材料，其中39种已被报道为非线性光学材料。通过进一步对未经报道的材料进行第一性原理计算，2种兼具大倍频效应、高晶格热导率、宽带隙和适宜双折射率的潜在中红外非线性光学材料Li2SiS3和AlZnGaS4被筛选出来，且其第一性原理计算获得的高晶格热导率数值与机器学习预测值相接近，证实了预测工具的可靠性。
研究者还对机器学习模型产生的晶格热导率数据和文献报道的非线性光学性能数据进行了数据分析，发现硫属化合物中由4配位基团组成且其中心阳离子键价和为+2~+3并来自IIIA、IVA、VA和IIB族元素的材料如类金刚石硫属化合物，是具有大的倍频系数和热导率的中红外非线性光学材料的有力候选者。
本工作将机器学习与第一性原理计算、高通量筛选相结合，提出了一套中红外非线性光学材料性能预测和筛选的完整工作流程，揭示了产生大的热导率和倍频系数的结构化学规律。该研究不仅为非线性光学晶体的筛选提供了一种有效的策略，而且为寻找具有平衡的非线性光学性能和抗激光损伤性能的晶体提供了可解释的研究方向。相关研究成果以A Machine Learning Study on High Thermal Conductivity Assisted to Discover Chalcogenides with Balanced Infrared Nonlinear Optical Performance为题发表于Advanced Materials上。论文的第一作者为理化所博士研究生吴清宸，通讯作者为康雷研究员和林哲帅研究员。研究工作得到国家自然科学基金的大力支持。
中红外非线性光学材料机器学习辅助的筛选策略
新闻中心