Active Learning Guided Computational Discovery of 2D Materials with Large Spin Hall Conductivity
材料科学
2025-12-25 v1
摘要
二维（2D）材料因其可调谐的特性以及高效自旋-电荷转换的潜力，成为下一代自旋电子器件的候选材料。然而，由于广阔的化学空间以及传统实验和第一性原理方法的高昂成本，发现具有本征高自旋霍尔电导率（SHC）的材料受到阻碍。在这项工作中，我们采用主动学习框架来加速高 SHC 二维材料的发现。机器学习（ML）模型在基于密度泛函理论计算得到的 SHC 值上进行训练，该计算通过由最大局域化 Wannier 函数构建的紧束缚哈密顿量结合 Kubo 公式，并显式处理了自旋轨道耦合。从一个随机但化学多样的 24 个二维系统开始，通过三个主动学习循环，使用期望改进采集策略，将数据集扩展到 41 个案例（来自约 2000 种材料的整体池）。ML 技术成功识别出几种高 SHC 候选材料，其中最佳候选材料展现出 271.52 (hbar/e) Ohm^-1 的 SHC，比初始轮次中的最佳材料高出近 23 倍。除了候选材料的发现，还发现几个特征在塑造二维系统的自旋霍尔响应中起着关键作用，例如费米能级附近的轨道对称性、原子种类类型、材料组成、共价半径以及组成原子的电负性。生成的数据已公开，以促进二维自旋电子学的进一步发展。
引用
@article{arxiv.2512.21077,
title = {Active Learning Guided Computational Discovery of 2D Materials with Large Spin Hall Conductivity},
author = {Abhijeet J. Kale and Sanjeev S. Navaratna and Pratik Sahu and Henry Chan and B. R. K. Nanda and Rohit Batra},
journal= {arXiv preprint arXiv:2512.21077},
year = {2025}
}
备注
Supplementary Information-2 and Complete data is provided as separate ancillary file and can be accessed from Tex Source option