拓扑掺杂石墨烯带隙的深度学习
材料科学
2018-10-01 v1 计算物理
摘要
通过精确掺杂调控材料性质可探索巨大的可调现象。近期进展表明，在原子与纳米尺度，掺杂剂的拓扑态对决定其性质起关键作用。然而，由于拓扑态数量极其庞大，此种决定在很大程度上未知。本文给出一个案例研究，开发深度学习算法以预测硼-氮对掺杂石墨烯在任意掺杂剂拓扑下的带隙。我们开发了能使结构关联带隙的材料描述符系统，用于卷积神经网络(CNNs)。将由第一性原理计算得到的带隙及对应结构作为数据集输入，训练VGG16卷积网络、残差卷积网络与拼接卷积网络。随后这些训练好的CNN用于预测具有不同掺杂剂拓扑的掺杂石墨烯的带隙。它们均给出极佳预测精度，预测带隙的相关系数平方(R2) > 90%，均方根误差约0.1 eV。这远优于浅层机器学习方法——支持向量机的预测。进一步利用较小体系生成的数据进行迁移学习，以提升对大体系的预测。本工作的成功为未来拓扑掺杂石墨烯及其他二维材料的研究奠定基础。此外，鉴于拓扑在材料中普遍存在的特性，本工作将激发在跨原子、纳米、介观与宏观尺度的材料拓扑设计中应用深度学习算法的广泛兴趣。
引用
@article{arxiv.1809.10860,
title = {Deep Learning Bandgaps of Topologically Doped Graphene},
author = {Yuan Dong and Chuhan Wu and Chi Zhang and Yingda Liu and Jianlin Cheng and Jian Lin},
journal= {arXiv preprint arXiv:1809.10860},
year = {2018}
}