《国家科学院院刊》

光子拖曳光伏效应与量子几何性质研究获突破

日本理化研究所新兴物质科学中心的Naoto Nagaosa团队研究了光子拖曳光伏效应与量子几何性质。相关研究成果近日发表于美国《国家科学院院刊》。

体光伏效应（BPVE）是一种在均匀光照下产生直流光电流的非线性光学现象，传统上主要涉及非中心对称材料。BPVE的主要来源是光学激发过程中电子位置变化导致的偏移电流，以及电子速度变化引起的注入电流。最近，有人提出光子拖曳效应可以在中心对称材料中实现 BPVE，但实验进展较为缓慢。

在该工作中，团队对诱导BPVE（光子拖曳BPVE）的光子拖曳效应进行了全面的理论分析。他们发现，光子拖曳BPVE可以直接与量子几何张量联系起来。该研究提出，在非磁性中心对称材料中，光子拖移电流能够与其他电流分量完全隔离。团队研究了中心对称磁性外尔半金属中的光子拖曳BPVE，证明了线偏振光会产生光子拖曳位移电流。

相关论文信息：

https://doi.org/10.1073/pnas.2424294122

《美国化学会志》

对比学习揭示发表偏倚与化学反应性的关系

美国麻省理工学院 的Connor W. Coley 团队利用对比学习揭示了发表偏倚与化学反应性的关联机制。近日，相关成果发表于《美国化学会志》。

研究人员探讨了这种发表偏倚与化学反应性之间的关系，而不是简单分析产率分布，并提出一种新的神经网络训练策略，即底物范围对比学习。他们通过将已报告的底物作为阳性样本，将未报告的底物作为阴性样本，这种对比学习策略教会了模型根据已公布底物范围表的历史趋势，在数字嵌入空间内对分子进行分组。

基于CAS Content CollectionTM中的20798种芳基卤化物（涵盖2010年至2015年的出版物）进行训练，研究小组通过直观可视化和定量回归分析证明，学习到的嵌入与物理有机反应性描述具有相关性。此外，这些嵌入适用于各种反应建模任务，如产量预测和区域选择性预测，强调了将历史反应数据作为预训练任务的潜力。

该工作不仅提出了一种化学领域的机器学习训练策略，以一种新方式从文献数据中学习，还构建了一种独特方法，通过分析出版物中的底物选择趋势揭示化学反应性趋势。

相关论文信息：

https://doi.org/10.1021/jacs.5c01120