基于深度学习的二维材料量子输运模拟
材料科学
2025-12-22 v3 无序系统与神经网络
摘要
二维（2D）材料展现出广泛的电子特性，使其成为下一代纳米电子器件的有前景候选材料。因此，准确预测其量子输运行为在基础和技术层面均具有重要意义。虽然密度泛函理论（DFT）结合非平衡格林函数（NEGF）形式体系提供了可靠的见解，但其高昂的计算成本限制了其在大规模或高通量研究中的应用。本文提出了 DeePTB-NEGF 框架，该框架将结合从第一性原理计算直接学习的基于深度学习的紧束缚哈密顿量（DeePTB）与 DPNEGF 包中实现的高效量子输运模拟相结合。为验证该方法，我们将其应用于三种原型二维材料：石墨烯、六方氮化硼（h-BN）和 MoS₂。得到的能带结构和透射谱与常规 DFT-NEGF 结果吻合良好，同时实现了数个数量级的效率提升。这些结果凸显了 DeePTB-NEGF 实现准确高效量子输运模拟的能力，从而为二维材料的大规模探索和器件设计开辟了途径。
引用
@article{arxiv.2512.11291,
title = {Deep Learning-Based Quantum Transport Simulations in Two-Dimensional Materials},
author = {Jijie Zou and Zhanghao Zhouyin and Qiangqiang Gu and Shishir Kumar Pandey},
journal= {arXiv preprint arXiv:2512.11291},
year = {2025}
}