Abstrak
Penerapan pembelajaran mendalam (DL) untuk merancang material nano terhambat oleh kurangnya representasi data dan data pelatihan yang sesuai. Kami melaporkan upaya untuk mengatasi keterbatasan ini dan memanfaatkan DL untuk mengoptimalkan sifat optik nonlinier nanopartikel konversi inti-shell (UCNPs). UCNP, yang memiliki aplikasi misalnya biosensing, mikroskop resolusi super, dan pencetakan 3D, dapat memancarkan sinar tampak dan ultraviolet dari eksitasi inframerah-dekat. Kami melaporkan kumpulan data spektrum emisi UCNP skala besar pertama berdasarkan simulasi kinetik Monte Carlo yang akurat namun mahal (N > 6.000) dan menggunakan data ini untuk melatih jaringan saraf grafik heterogen (GNN) menggunakan representasi baru struktur nano UCNP. Dengan menerapkan pengoptimalan berbasis gradien pada GNN terlatih, kami mengidentifikasi struktur dengan perkiraan emisi 6,5 kali lebih tinggi di bawah pencahayaan 800nm dibandingkan UCNP mana pun dalam set pelatihan kami. Pekerjaan kami mengungkapkan prinsip-prinsip desain baru untuk UCNP dan menyajikan peta jalan untuk desain material nano terbalik berbasis DL.
