基于机器学习的化物双矿光电子材料的高效选
Wen Luo1, Xinying Xian1, Jiang Zhu1
1School of Optoelectronic Engineering, Chongqing University of Posts and Telecommunications, Chongqing 400065, China.
ACS applied materials & interfaces
|March 15, 2025
概括
预测化物矿的特性,如带间隙和形成能量,对于光电子学至关重要. 这项研究使用机器学习快速选稳定的矿,以有效地发现材料,加速应用.
科学领域:
- 材料科学 材料科学 材料科学
- 计算化学的计算化学
- 固态物理 固态物理
背景情况:
- 化矿的光电子特性是其应用的关键,但很难通过实验获得.
- 像密度函数理论 (DFT) 这样的传统方法是耗时和劳动密集的.
研究的目的:
- 开发一种快速有效的方法来预测化矿矿的特性.
- 选大量的化物双矿数据库,以寻找具有所需带间隙的稳定候选物.
主要方法:
- 利用梯度增强树模型与遗传算法 (GA) 和网格搜索 (GRID) 结合用于财产预测.
- 采用多步预测和夏普利添加式解释 (SHAP) 来进行模型验证和特征分析.
- 选了77,604种化物双矿,以确定1515种稳定候选物,带间隙在1-4 eV之间.
主要成果:
- 实现了高预测准确度,形成能量为0.9958,带隙为0.9206.
- 通过对选定候选人的DFT计算成功验证了优化模型.
- 确定了一种有前途的矿,Cs2RbBiI6,在光检测和光催化中成功应用.
结论:
- 开发的机器学习方法显著加快了功能化物矿的发现.
- 这种方法减少了材料选所需的时间和实验资源.
- 该研究为发现针对特定光电子应用量身定制的新材料提供了一个框架.
