利用人工神经网络预测杂化石墨烯-六方氮化硼纳米片的能隙
介观与纳米尺度物理
2018-12-12 v1 材料科学
摘要
通过结合 ab initio 密度泛函理论计算与机器学习技术，研究了嵌有六方氮化硼（hBN）域的石墨烯纳米片（GNFs）的电子性质。这类准零维石墨烯基体系的能隙定义为 LUMO 与 HOMO 能量之差，其不仅取决于 hBN 域相对于原始石墨烯纳米片的大小，也取决于 hBN 域的位置。不同构型的能隙范围随 hBN 域增大而变宽。我们开发了两种能高精度复现能隙能量的人工神经网络（ANN）模型，并通过考虑一组嵌有矩形 hBN 域的 GNFs 来研究能隙的可调性。在一种 ANN 模型中，输入与 GNF 中的原子一一对应；而在第二种模型中，输入刻画 GNF 中的基本结构，从而可用于更大尺度结构。我们对不同 ANN 构型进行统计分析以优化网络结构。训练后的 ANN 提供了原子体系构型与能隙大小之间的关联，可视为针对特定电子性质优化纳米结构石墨烯基材料设计的高效工具。
引用
@article{arxiv.1812.04394,
title = {Gap prediction in hybrid graphene - hexagonal boron nitride nanoflakes using artificial neural networks},
author = {G. A. Nemnes and T. L. Mitran and A. Manolescu},
journal= {arXiv preprint arXiv:1812.04394},
year = {2018}
}
备注
6 pages, 5 figures