人工智能（AI）正显著加速新型镓基半导体材料的开发进程，其速度远超传统方法。最新一期《ACS材料快报》上发表的一篇论文显示，澳大利亚弗林德斯大学与阿联酋哈利法大学联合开发了一种名为“智能材料发现引擎”的机器学习系统，可大幅减少复杂计算模拟和实验测试所需的时间，从而加速半导体材料的筛选与发现。基于这款AI系统，团队已成功筛选出多种此前未被数据库收录的新型镓基半导体候选材料。
半导体材料广泛应用于电子设备、通信系统、医疗设备、LED器件、太阳能电池等高科技领域。论文第一作者、弗林德斯大学副教授特鲁翁表示，相关研究中的挑战在于，潜在的半导体材料组合多达数百万种，传统依赖逐一实验或计算模拟的方式成本高、效率低。
镓是澳大利亚的关键矿产之一，应用范围广泛，在电子工业中尤为常见。近年来，由于其在芯片技术中的高效性能而受到更多关注。镓砷化物是镓在电子领域最主要的化合物之一，广泛用于微波电路、高速开关电路以及红外电路等。
新开发的AI系统基于全球材料数据库中数千种已知半导体数据进行训练，并引入贝叶斯优化方法，在持续探索潜在新材料的同时，自动排除化学或物理上不稳定的组合。研究人员指出，系统通过学习镓基材料的内在化学规律，能够预测具有特定电子性质的新材料组合，从而减少传统方法中依赖逐一试错的筛选过程。
与随机生成不同，该系统在推荐候选材料前即对其化学合理性与物理稳定性进行验证，从而显著降低无效计算与实验成本，提高研发效率。
研究还重点关注半导体关键指标“带隙”。带隙大小决定材料在电学与光学应用中的表现：小带隙适用于太阳能电池，中等带隙适用于LED与光学器件，大带隙则适用于高功率电子与抗辐射系统。
