利用机器学习探究 Janus 二维-体相异质结稳定性的基本决定因素

迄今为止预测的 6000 多种二维材料为与体材料形成功能性异质结提供了巨大的组合空间，在纳米电子学、传感和能量转换方面具有潜在应用。在这项工作中，我们使用从头算模拟和机器学习（ML）研究了近 1000 种异质结（迄今为止单次研究数量最多的异质结），这些异质结由二维 Janus 材料和体材料表面组成，以推导此类异质结中复杂界面的结构-性能关系。我们首先在 51 种二维 Janus 材料和 19 种表现出低晶格失配和低重合点阵的金属立方相元素体材料上，使用高通量计算框架执行了范德华修正的密度泛函理论模拟。对生成的 1147 种 Janus 二维-体相异质结的形成能进行了分析，发现其中 828 种在热力学上是稳定的。在计算数据上训练了机器学习模型，我们发现它们能够预测二维-体相异质结的结合能和 $z$ 轴分离，均方根误差（RMSE）分别为 0.05 eV/atom 和 0.14 angstroms。模型的特征重要性表明，体材料的属性在很大程度上主导了异质结的能量和界面结构。这些发现与几种众所周知的二维材料-体材料系统的实验观察行为一致。本文使用的数据可在从头算二维-体相异质结数据库中免费获取。本工作对二维-体相异质结的基本见解和开发的预测性机器学习模型可以加速数千种二维-体相异质结的应用，从而激发广泛的电子、量子计算、传感和能源应用领域的研究。