对二维材料及其非线性光学属性的数据驱动研究
Kai Wagoner-Oshima1, Romakanta Bhattarai1, Humberto Terrones1
1Department of Physics, Applied Physics, and Astronomy, Rensselaer Polytechnic Institute, Troy, New York 12180, United States.
ACS applied materials & interfaces
|February 10, 2025
概括
我们使用机器学习发现了新的范德瓦尔斯材料,这些材料具有有用的非线性光学特性,用于光子学和光电子学.
科学领域:
- 材料科学 材料科学 材料科学
- 凝聚物质物理学 凝聚物质物理学
- 计算化学的计算化学
背景情况:
- 发现具有特定非线性光学 (NLO) 特性的新材料对于光子学和光电子学的进步至关重要.
- 识别NLO材料的传统实验方法往往耗时且资源密集.
- 范德瓦尔斯 (vdW) 材料具有独特的电子和光学特性,适用于NLO应用.
研究的目的:
- 加速发现具有显著非线性光学特性的范德瓦尔斯材料.
- 开发一个预测框架,用计算数据识别有前途的NLO vdW材料.
- 选大量VDW材料的数据集,以检测它们的二次光学易感性.
主要方法:
- 利用高通量密度函数理论 (DFT) 计算来生成材料属性数据.
- 分析来自计算二维材料数据库的345个非中心对称,非磁性半导体单层的数据集.
- 采用数据挖掘和机器学习模型,从材料特征和光谱中预测二级光学易感性.
- 专注于与第二波生成 (SHG) 相关的第二阶易感度张量.
主要成果:
- 成功识别了SHG光谱中的关键特征,这些特征可以预测NLO属性.
- 开发并验证了能够预测二级光学易感性的机器学习模型.
- 展示了基于数据的方法,以快速选NLO应用的VDW材料.
- 突出了先进光子和光电子设备的潜在候选人.
结论:
- 开发的计算框架大大加快了具有理想非线性光学特性的vdW材料的发现.
- 这种数据驱动的方法为识别用于光子学,光电子学和数据存储的材料提供了可扩展的解决方案.
- 与高通量DFT计算集成的机器学习是NLO应用中材料发现的强大工具.


