南韓研究團隊近日開發出一個混合式人工智慧（AI）框架，能以近乎完美的精準度預測有機鈣鈦礦（Perovskite）材料的帶隙能量。這項突破為新一代太陽能電池與發光二極體（LED）的材料開發帶來重大進展。

鈣鈦礦是一種具有特殊晶體結構的材料，因其優異的光電轉換效率，被視為太陽能電池等應用領域的明日之星。而帶隙（bandgap）則是材料吸收或發射光線的關鍵電子特性，直接決定了太陽能電池的效率和 LED 的發光顏色。由於有機鈣鈦礦可透過調整化學成分來改變帶隙，這使其應用潛力廣泛，但也因分子形狀、方向、偶極矩及動態無序等複雜因素，難以建立精確模型。

這個名為 Context Axial Discrete Hopfield Reverse Attention Neural Network（CADHRANN）的 AI 模型，在準確度、精確度、召回率和 F1-score 等評估指標上，都達到了 99.9% 的超高水準。根據《Bioengineer.org》報導，該模型展現了極低的誤差，其平均絕對誤差（MAE）僅為 0.008，均方根誤差（RMSE）為 0.010，而平均絕對百分比誤差（MAPE）則僅有 0.34%。這意味著模型的預測偏差遠小於實驗測量的典型誤差範圍。

這項研究的資料集建立在 1208 個材料樣本之上，涵蓋 30 種特徵描述，並整合了 201 篇文獻和開源資料。整個 AI 框架採用三層式管道：首先由 Simplified Adaptive Fuzzy Min-Max Neural Network（SAFMMNN）進行模糊預處理，有效應對資料中的歧義和雜訊；接著透過結合 Draco Lizard Optimizer 和 Superb Fairy-wren Optimization Algorithm 的混合元啟發式演算法進行特徵選擇；最後由核心的 CADHRANN 深度學習模型整合離散式 Hopfield 網路、上下文軸向機制和逆向注意力組件來進行預測。模型的參數則由 Duck Swarm Algorithm 進行調校，以確保收斂穩定性與預測效能。

這項成果可望取代傳統計算成本高昂的密度泛函理論計算，成為高通量虛擬篩選的實用工具，大幅加速新材料的發現。雖然初步表現令人振奮，研究團隊也指出，仍需透過獨立的外部資料集來驗證模型的泛化能力。這項由全北大學（Chonbuk National University）Malrey Lee 教授及其研究團隊完成的成果，已發表於《Journal of Materials Science》期刊，展現了人工智慧在材料科學領域的巨大潛力。