商傳媒|何映辰/台北報導

加州州立大學北嶺分校化學系研究團隊近期開發出一款名為 ELFNet 的深度學習 AI 模型,能以比傳統物理模擬快 350 倍的速度預測複雜的化學鍵特徵,大幅縮短新材料的計算時程。

這項研究成果已作為封面故事發表於學術期刊《Journal of Materials Informatics》,並公開於論文專頁。ELFNet 本質上是一個影像對影像(image-to-image)的深度卷積神經網路架構,主要將重疊的原子密度轉換為三維電子局域函數(ELF,用來描述原子間電子聚集與化學鍵分布狀態的物理指標)。

團隊目前的研發重點為超氫化物(superhydrides)。這類高壓化合物含有極高比例的氫元素,在降至特定低溫時具備零電阻導電的超導特性。然而,傳統方法若要針對每種金屬晶格計算 ELF,必須仰賴高強度的完整量子力學模擬,單一材料尚可應付,一旦要在大規模化學空間中篩選數百萬種候選化合物,運算速度便難以負擔。

主持研究的化學系教授苗茂盛表示,ELFNet 能將原本需要數月甚至數年的計算時間縮短至數天。該模型結合了苗茂盛實驗室開發的擬原子與化學模板理論,利用極低的運算成本生成電子場資訊,協助研究人員快速挑選出具潛力的金屬模板,再進行更精細的第一原理計算。

苗茂盛指出,這種影像對影像的架構未來還能進一步拓展至電荷密度與波函數的預測,不再局限於電子局域化分析,將為材料科學領域的高壓材料與超導體高通量篩選帶來全新突破。

材料化學運算提速350倍 美團隊AI模型助攻超導篩選圖/商傳媒