利用机器学习探索二维半导体的基本带隙与带边对齐
介观与纳米尺度物理
2017-08-17 v1
摘要
与黑磷等电子的二维(2D)半导体因其在下一代(光)电子学中的广阔应用前景而备受关注。该类二维材料家族包含超过 400 个成员,包括 元素族-V 材料、二元 III-VII 和 IV-VI 化合物、三元 III-VI-VII 和 IV-V-VII 化合物,这使得具有目标功能的材料设计变得前所未有的丰富且极具挑战性。为了阐明该材料家族的合理功能设计,我们结合混合密度泛函理论(DFT)与机器学习,系统地探索了它们的基本带隙与带边对齐。首先,进行 GGA-PBE 和 HSE 计算作为参考。我们发现该材料家族具有相似的晶体结构,但带隙值分布很广,范围大约从 0 到 8 eV。然后,我们应用机器学习方法,包括线性回归(LR)、随机森林回归(RFR)和支持向量机回归(SVR),构建了用于预测电子性质的模型。在这些模型中,SVR 表现出最佳性能,当同时使用 PBE 结果和元素信息作为特征时,预测带隙、价带顶(VBMs)和导带底(CBMs)的均方根误差(RMSE)小于 0.15 eV。因此,我们证明了机器学习模型普遍适用于筛选具有目标功能的二维等电子系统,并且对合金和异质系统的设计具有特殊价值。
引用
@article{arxiv.1708.04766,
title = {Fundamental Band Gap and Alignment of Two-Dimensional Semiconductors Explored by Machine Learning},
author = {Zhen Zhu and Baojuan Dong and Teng Yang and Zhi-Dong Zhang},
journal= {arXiv preprint arXiv:1708.04766},
year = {2017}
}
备注
6 figures