东京大学的研究人员 Tomohito Amano 和 Shinji Tsuneyuki 与 CURIE(JSR-UTokyo 合作中心)的 Tamio Yamazaki 开发了一种新的机器学习模型来预测材料的介电函数，而不是从第一原理计算。

介电函数测量材料内正负电荷的极化，这是介电材料的基本现象。因此，快速准确地预测介电函数有助于开发新型介电材料，而新型介电材料是6G网络等许多尖端技术的组成部分。

尽管介电材料可能不像半导体那样广为人知，但它们在改进现代电子系统方面具有巨大潜力。介电材料导电性不佳，但它们也不是绝缘体。相反，当置于电场中时，材料中的正电荷会向电场移动，而负电荷会远离电场，从而导致介电极化。

介电函数是极化强度的量度。然而，计算介电函数意味着使用量子力学从第一原理计算它，这是一个计算缓慢且繁重的过程。

该图描绘了创建机器学习模型的步骤，从原子动力学开始，最终得到介电函数。来源：Amano 等人 2024

“研究电介质对基础科学和应用科学都很重要，”第一作者 Amano 说道。“从基础方面来说，电介质有助于阐明材料对电场反应的微观起源。从应用方面来说，用于高速通信的低介电聚合物材料最近引起了人们的关注。”

因此，研究人员着手开发一种可以帮助解决这些挑战的机器学习模型。他们通过对各种材料的电子状态进行第一性原理计算，为该算法生成训练数据。

此外，他们没有采用传统的基于单个分子的计算方法，而是以原子之间的化学键为基础进行计算。研究人员随后将模型结果与甲醇和乙醇等简单分子的经验数据进行比较，以检查模型的准确性。

该模型非常成功。它不仅以接近第一原理计算的精度描述了各种材料的电子状态，而且计算量仅为第一原理计算量的一小部分。该模型还被证明可用于大规模和长时间的模拟。

由于计算成本一直是限制因素，该模型首次可以解决多分子系统介电特性的宏观起源。

尽管取得了这些成就，天野之弥已经开始展望未来。“在这项研究中，我们研究了简单分子的介电特性，但尚未将其应用于包括聚合物在内的更复杂的分子。因此，我们还计划构建一个可用于工业的通用神经网络。”