数据驱动科学的发展正在极大地改变材料的发现过程。特别是探索具有对深紫外（UV）区域的双折射相位非线性光学（NLO）材料对激光技术领域具有至关重要的意义。近日，中国科学院大学Yang Zhihua报道了基于可解释机器学习的深紫外非线性光学材料的目标驱动设计。

本文要点：

1) 作者提出了一种结合高通量计算（HTC）、晶体结构预测和可解释机器学习（ML）的目标驱动材料设计框架，以加速深紫外NLO材料的发现。作者利用HTC生成的数据集，开发了用于预测双折射的ML回归模型，该模型可以实现快速准确的材料预测。从本质上讲，晶体结构被用作模型的唯一已知输入，并建立映射双折射的紧密结构-性质关系。

2) 通过ML预测的最短相位匹配波长的双折射数据，作者基于有效筛选策略确定了潜在化学成分的完整列表。此外，作者发现了八种稳定结构，由于它们具有良好的NLO相关特性，因此在深紫外区域极具应用前景。作者设计的框架可以以低计算成本在广阔的化学空间中识别出所需的高性能材料。

参考电竞投注官网 ：

Mengfan Wu et.al Target-Driven Design of Deep-Ultraviolet Nonlinear Optical Materials via Interpretable Machine Learning Adv. Mater. 2023

DOI: 10.1002/adma.202300848

https://doi.org/10.1002/adma.202300848