SpecGAT：面向光吸收谱的图神经网络框架及其在材料逆向设计中的应用 | Cell Press论文速递

背景：光吸收谱是表征光电材料性能的关键参数，但传统第一性原理计算方法成本高昂，难以进行大规模高通量筛选。现有机器学习方法在处理连续、高维的光谱数据时，常无法兼顾精度与结构生成的耦合。研究目的：吉林大学张立军课题组与新加坡国立大学Shen Lei课题组合作，提出名为SpecGAT的新型谱学习框架，旨在实现高效、准确的光吸收谱预测，并进一步结合生成模型，实现从目标光谱到晶体结构的逆向设计。结论：研究团队构建了包含1859个八面体基元半导体的光吸收谱数据集，并开发了多层注意力图神经网络SpecGAT，其预测精度高于E(3)NN、CGCNN、M3GNet等模型。通过对GNoMe数据库中约55万个候选晶体的预测，成功识别出近红外、光伏和紫外区域的百种潜在强光吸收材料。此外，将SpecGAT的表示学习与生成模型融合，生成了几十种具有强光吸收性质的新型铋基硫族化合物，打通了“目标光谱→晶体结构”的逆向设计通路。该数据驱动框架有望推广至其他功能材料研究。