基于区域分辨机器学习解码石墨烯掺杂诱导的电子调制
材料科学
2026-04-01 v1
摘要
揭示杂原子掺杂如何改变石墨烯局部电子结构对于理解和控制其功能性质至关重要。本研究结合密度泛函理论（DFT）和机器学习（ML）来解释硼（B）和氮（N）掺杂剂如何影响石墨烯的局部电子环境。我们构建了由415个DFT模拟 XANES 光谱组成的数据集，这些光谱来自91个不同的配置。通过区域特定方法对每个光谱进行分解，分为 pi*、sigma* 和 post-edge 区域。基于这些光谱片段训练的随机森林模型识别出 pi* 区域是最具信息量的，用于预测关键的局部电子描述符，特别是 Bader 电荷和平均掺杂-碳键长。Bader 电荷量化掺杂引起的电荷重新分布和局部键合极性，直接反映了杂原子取代引入的电子扰动程度。pi* 区域的预测能力提升源于其与受扰动 pi 电子网络的强耦合，这种耦合比 sigma* 或 post-edge 区域更有效地捕获了电荷转移和杂化效应。这些发现确立了将 Bader 电荷作为量化掺杂引起的电子调制的稳健且物理上有意义的描述符，并演示了区域分辨 ML 分析 XANES 光谱提供了发现 doped graphene 及相关材料结构-性质关系的强大路径。
引用
@article{arxiv.2603.29370,
title = {Decoding Dopant-Induced Electronic Modulation in Graphene via Region-Resolved Machine Learning of XANES},
author = {Yinan Wang and Arpita Varadwaj and Teruyasu Mizoguchi and Masato Kotsugi},
journal= {arXiv preprint arXiv:2603.29370},
year = {2026}
}
备注
18 pages, 6 pages, SI 4 figures