上海交大 范同祥团队MGE Adv.：利用机器学习原子间势预测材料的红外光学特性

本文针对红外光学材料内在光学特性表征中传统密度泛函理论（DFT）方法在精度与计算成本之间权衡的问题，尤其对复杂或低对称性材料系统，提出了一种基于机器学习原子间势（MTP）的快速准确红外光谱计算框架。研究旨在绕过高阶密度泛函微扰理论（DFPT）计算，高效提取声子振动参数，并将其集成到红外主动振动模型中，以计算介电函数和红外光学特性。通过多种材料验证，该框架在保持第一性原理精度的同时，大幅降低了计算成本（加速至少两个数量级），并展示了广泛的适用性。结论表明，该框架弥补了实验表征与理论预测之间的差距，为红外光学材料的高通量筛选与设计提供了可扩展的高效工具。