中紅外非線性光學晶體能夠通過頻率轉(zhuǎn)換產(chǎn)生中紅外可調(diào)諧激光，在環(huán)保、醫(yī)療等方面應用廣泛。目前，主要的商用紅外非線性光學晶體有硫鎵銀、硒鎵銀和磷鍺鋅等，但存在激光損傷閾值較低的缺陷，難以滿足更豐富的實際需求。因此，亟需探索抗激光損傷性能更優(yōu)異的中紅外非線性光學材料。由于熱損傷是激光損傷的重要組成部分，具有大熱導率的非線性光學材料可能具備高的激光傷閾值。然而，在非線性光學材料的研究中，熱導率數(shù)據(jù)的準確獲取較為困難，材料的熱輸運性能長期被忽視。因此，以較低代價獲得對材料熱導率的準確預測，對于評估中紅外非線性光學材料的抗激光損傷性能，以及實現(xiàn)倍頻效應、激光損傷閾值、雙折射率以及紅外透過范圍之間的平衡具有重要意義。  ]R]%c*tA  
A0gRX]  
近日，中國科學院理化技術(shù)研究所林哲帥團隊發(fā)展了基于機器學習的中紅外非線性光學材料篩選新策略，并利用該方法在硫?qū)倩�合物這一中紅外非線性光學材料的常見候選體系中篩選出若干種潛在的具有平衡的熱輸運和光學性能的中紅外非線性光學材料。研究結(jié)合低精度的熱導率半經(jīng)驗方法計算數(shù)據(jù)和高精度的實驗測量數(shù)據(jù)，利用遷移學習（Transfer Learning，TL）手段，建立了基于晶體圖神經(jīng)網(wǎng)絡（Crystal Graph Convolutional Neural Network，CGCNN）算法的晶格熱導率回歸預測模型，在測試集上獲得了與半經(jīng)驗計算方法相當?shù)念A測精度，減少了粗略評估晶格熱輸運性能所需的計算資源和時間。研究對Materials Project數(shù)據(jù)庫收錄的6000余種非中心對稱硫?qū)倩�合物進行晶格熱導率預測，根據(jù)熱導率預測值、帶隙和總能等標準篩選出78種材料（其中39種被報道為非線性光學材料）。研究通過進一步對未報道的材料進行第一性原理計算發(fā)現(xiàn)，2種兼具大倍頻效應、高晶格熱導率、寬帶隙和適宜雙折射率的潛在中紅外非線性光學材料Li2SiS3和AlZnGaS4被篩選出，同時第一性原理計算獲得的高晶格熱導率數(shù)值與機器學習預測值相接近，證實了預測工具的可靠性。  C\gKJW^]y@  
u:%Ln_S  
研究進而對機器學習模型產(chǎn)生的晶格熱導率數(shù)據(jù)、文獻報道的非線性光學性能數(shù)據(jù)進行數(shù)據(jù)分析，發(fā)現(xiàn)硫?qū)倩�合物中�?配位基團組成，其中心陽離子鍵價和為+2~+3且來自IIIA、IVA、VA和IIB族元素的材料，如類金剛石硫?qū)倩�合物，是具有大的倍頻系數(shù)和熱導率的中紅外非線性光學材料的有力候選者。  PI$K+}E  
C5EaP%s  
本工作將機器學習與第一性原理計算、高通量篩選相結(jié)合，提出了一套中紅外非線性光學材料性能預測和篩選的完整工作流程，揭示了產(chǎn)生大的熱導率和倍頻系數(shù)的結(jié)構(gòu)化學規(guī)律。該研究不僅為非線性光學晶體的篩選提供了有效策略，而且為尋找具有平衡的非線性光學性能和抗激光損傷性能的晶體提供了可解釋的研究方向。 G Y+li{  
{*K7P>