探索光捕获复合物（LHC）中的激发能量转移（EET）对于理解自然过程和高效光伏器件的设计至关重要。LHC 是开放系统，其中量子效应可能对几乎完美地利用太阳能发挥关键作用。包含量子效应的能量转移模拟可以在耗散量子动力学（QD）的框架内完成，这在计算上是昂贵的。
因此，人工智能（AI）将自身作为降低计算成本的工具。
厦门大学的研究人员建议使用 AI 直接预测 QD 作为时间和其他参数（如温度、重组能量等）的函数的 AI-QD 方法，与传统的 QD 和递归的基于 AI 的 QD 方法替代方案相比，完全避免了递归逐步动态传播的需要。
他们的轨迹学习 AI-QD 方法能够在无限时间预测 QD 的正确渐近行为。研究人员在 seven-sites Fenna-Matthews-Olson（FMO）复合体上展示了 AI-QD。
该研究以「Predicting the future of excitation energy transfer in light-harvesting complex with artificial intelligence-based quantum dynamics」为题，于 2022 年 4 月 11 日发布在《Nature Communications》。
论文链接：https://www.nature.com/articles/s41467-022-29621-w

内容中包含的图片若涉及版权问题，请及时与我们联系删除