有序并非总能完美形成——而这些不完美之处可能蕴含着惊人的力量。在液晶等材料中，当对称性被打破时会出现微小的"缺陷"，这些缺陷塑造着从宇宙结构到日常技术的万物。如今，研究人员开发出一种基于人工智能的方法，能在毫秒而非数小时内预测这些缺陷的形成和演化过程。通过直接从数据中学习，该系统能够精确绘制分子排列图谱和复杂缺陷行为，即使在缺陷合并或分裂的情况下也能准确预测。
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，分子可以自由旋转，同时仍大致指向相同的方向。这种特性使液晶易于控制和观察，让研究人员能够追踪缺陷如何随时间出现、移动和重组。传统上，科学家使用朗道-德让纳理论来描述这些结构，该理论框架解释了分子有序性如何在缺陷核心内崩溃，因为在那里方向不再具有明确的定义。
人工智能介入加速缺陷预测
由韩国忠南大学的Na Jun-Hee教授领导的研究团队，现在引入了一种使用深度学习预测稳定缺陷模式的更快方法。他们的工作用一种基于人工智能的方法取代了缓慢且计算成本高昂的数值模拟，能够更快地得出结果。
该方法发表在《Small》期刊上，可以在毫秒内生成预测，而传统模拟通常需要数小时。
Na教授表示："我们的方法用快速、可靠的预测补充了慢速模拟，有助于系统地探索富含缺陷的区域。"
深度学习模型内部解析
该团队使用3D U-Net架构构建了他们的系统，这是一种常用于科学和医学图像分析的卷积神经网络。这种设计使模型能够识别与缺陷相关的大尺度排列和精细的局部细节。该框架无需运行逐步模拟，而是直接将边界条件与最终平衡态连接起来。边界信息被输入网络，网络随后预测完整的分子取向场，包括缺陷的形状和位置。
为了训练模型，研究人员使用了涵盖许多不同取向情景的传统模拟数据。训练完成后，该网络能够准确预测其从未遇到过的新配置。这些预测结果与模拟和实验室实验的结果高度吻合。
处理复杂和合并的缺陷
该模型不依赖于显式的物理方程，而是直接从数据中学习材料行为。这使其能够灵活处理特别复杂的情况，包括高阶拓扑缺陷，其中缺陷可以合并、分裂或自行重组。实验证实，人工智能正确地捕捉到了这些行为，表明其在广泛的条件下都能可靠地执行。
通往先进材料的更快路径
由于这种方法允许科学家快速探索多种设计可能性，它也为设计具有精确控制缺陷结构的新材料创造了机会。这些能力对于先进光学器件和超材料尤其有价值。
Na教授表示："通过大幅缩短材料开发过程，人工智能驱动的设计可以加速智能材料的创造，其应用范围涵盖从全息、VR或AR显示器，到自适应光学系统，以及能对环境做出响应的智能窗户。"