科学家用人工智能加速1000倍破解自然最复杂图案的奥秘

向列相液晶为研究这些缺陷提供了特别有用的环境。在这类材料中，分子可自由旋转，同时大致指向同一方向。这种特性让液晶易于控制和观察，使研究人员能追踪缺陷随时间的出现、移动和重组过程。传统上，科学家用朗道-德热纳理论（一种解释缺陷核心内分子有序性崩溃的数学框架，核心处分子取向不再有明确定义）来描述这些结构。
AI介入加速缺陷预测
韩国忠南大学的Jun-Hee Na教授带领团队，如今引入了一种利用深度学习快速预测稳定缺陷模式的方法。他们的研究用基于AI的方法替代了缓慢且计算成本高昂的数值模拟，能更快得出结果。
这项发表在《Small》期刊上的方法，可在毫秒内生成预测，而传统模拟通常需要数小时。
“我们的方法用快速、可靠的预测补充了缓慢的模拟，有助于系统探索缺陷密集的情况，”Na教授表示。
深度学习模型内部
团队使用3D U-Net架构构建系统，这是一种常用于科学和医学图像分析的卷积神经网络。这种设计使模型能识别与缺陷相关的大规模排列和精细局部细节。该框架无需逐步模拟，而是直接将边界条件与最终平衡状态关联起来：向网络输入边界信息，网络就能预测完整的分子排列场，包括缺陷的形状和位置。
为训练模型，研究人员使用了涵盖多种排列场景的传统模拟数据。训练后，网络能准确预测从未见过的全新构型，且预测结果与模拟和实验室实验结果高度吻合。
处理复杂及合并缺陷
该模型不依赖明确的物理方程，而是直接从数据中学习材料行为。这使其能灵活处理特别复杂的情况，包括高阶拓扑缺陷（缺陷可能合并、分裂或重组）。实验证实，AI能正确捕捉这些行为，表明其在多种条件下都能可靠运行。
通往先进材料的更快路径
由于这种方法能让科学家快速探索多种设计可能性，也为设计具有精确控制缺陷结构的材料创造了新机会。这些能力对先进光学设备和超材料尤为重要。
“通过大幅缩短材料开发流程，AI驱动的设计有望加速智能材料的研发，应用范围从全息、VR/AR显示器到自适应光学系统和能响应环境的智能窗户，”Na教授说。