随着人工智能的兴起，在探索新材料的过程中，传统的“炒菜式”探索方式已不适合时代发展。机器学习+高通量计算正伸展到科学研究的各个领域，这节省了人力物力，并为实验的合成提供了靶向的指导，提高了新材料开发的效率。 
　　近日，中国科学院新疆理化技术研究所光电功能晶体材料团队报道了一种适用于非线性光学晶体材料的研究新范式。这种新研究范式将机器学习、晶体结构预测、高通量计算与筛选及实验探索融为一体，实现了非线性光学晶体材料从理论预测到实验合成的重大跨越。研究通过机器学习利用原子卷积神经网络（ATCNN）算法对3887个化学组分进行带隙预测，数据清洗之后，将研究体系锁定在AIBIIISe2（AI = Li, Na, K, Rb, Cs；BIII = Al, Ga）；在随后对其进行晶体结构预测的工作中，预测了所有已知的结构，同时发现了5个热力学稳定和50个热力学亚稳态新的三元硒化物；高通量的计算和筛选结果表明，8例结构可实现带隙和倍频之间的平衡（Eg > 2.70 eV, |dij| > 10 pm/V），2例已通过实验成功合成，其中1例结构显示出大的倍频效应（≈2 × AGS）和宽的透过范围，可覆盖两个重要的大气波段（3-5、8-12 μm）。该研究体现了从理论预测到实验验证的成功案例，并为后续新型非线性光学晶体材料的设计及合成提供了有效策略。 
　　相关研究成果发表在Advanced Functional Materials上。研究工作得到国家自然科学基金优秀青年科学基金项目与中科院基础前沿科学研究计划从0到1原始创新项目等的支持。 
　　论文链接 
　　探索优良中远红外非线性光学材料的数据驱动的设计蓝图及机器学习去预测化学组分的带隙