利用机器学习发现二维磁性拓扑绝缘体

具有非传统电子性质的拓扑材料因基础与应用价值而被深入研究。基于对称性的分析和第一性原理计算已识别出数千种拓扑材料。然而，具有真正全带隙的磁性拓扑绝缘体预测结果很少。本文利用该数据库并监督训练神经网络，以建立用于电子拓扑诊断的启发式化学规则。所学规则可解释，并仅使用化学式与 Hubbard $U$ 参数即可高精度诊断材料是否为拓扑材料。接下来我们在几种不同材料体系中评估模型性能。最后，我们将机器学习规则与第一性原理计算结合，在二维材料数据库中进行磁性拓扑绝缘体的高通量筛选。我们发现了 6 个新类（15 种材料）的陈绝缘体，其中 4 类（7 种材料）具有全带隙，可能激励实验观测。我们预期此处机器学习得到的规则可作为逆向设计与发现新拓扑材料的指导原则。