7月23日消息，一项预印本研究提出用机器学习预测二维过渡金属硫族化物（TMD）合金的光学性质，为成分可调的光电材料筛选提供低成本路径。研究团队由Vivek Chowdhury等完成，论文提交于7月23日，未经同行评审。

二维TMD合金（如Mo-W-S-Se-Te体系）可在组分层面调控光学与电子性质，但跨多组分合金空间系统预测介电响应成本高昂。作者以密度泛函理论（DFT）生成涵盖二元至五元的99个合金结构数据集，计算频率依赖的实部与虚部介电函数，再用表格先验拟合网络（TabPFN）训练，并与Extra Trees、XGBoost对比。为适配TabPFN的上下文容量，他们引入非均匀、物理信息驱动的能量子采样，将采样集中在带隙以上吸收最强的光学活跃区，从而以更少样本覆盖关键光谱区间。

结果显示，仅以四元合金训练，模型在留出四元组合上重建四个介电分量达到R2>0.98、平均绝对误差低于0.10，优于两种基线且无需梯度训练或超参调优；模型还能零样本泛化到训练集未涵盖的二元、三元与五元合金，五元预测R2>0.97，并可外推折射率、消光系数与吸收系数。该方法有望加速宽组分TMD光电材料的高通量筛选，但仍需实验验证预测精度与泛化鲁棒性。 （来源：arXiv）