基于机器学习的 ab initio 模拟亚微米宽度纳米线带状结构的方法
材料科学
2025-10-03 v1 介观与纳米尺度物理
摘要
mesoscopic 纳米结构的模拟是凝聚态物理学和器件应用中的核心挑战。第一性原理方法提供准确的电子结构，但对于大系统计算上不可行；而经验能带理论高效却受限于参数拟合，这些参数常忽略波函数信息，往往导致参数不可迁移。我们提出一种方法论，通过机器学习实现的紧束缚框架，兼顾第一性原理的可靠性与计算效率。该方法从小规模纳米结构中获取 Wannier 紧束缚（WTB）参数，作为机器学习（ML）的训练数据。为消除 Wannier 函数基矢自由度干扰尺寸和几何依赖性参数趋势，我们构建无基矢（gauge-independent, GI）基底，将 WTB 模型转化为无基矢 WTB（GI-WTB）模型。从而实现参数的稳健拟合与预测，形成机器学习 GI-WTB（ML-GI-WTB）模型。应用于 MoS2 纵向边纳米线时，ML-GI-WTB 模型与第一性原理结果表现出优异的一致性，能够可靠地模拟亚微米宽度纳米线。该框架为预测超出传统第一性原理方法覆盖范围的真实纳米结构电子性质提供了可扩展工具。
引用
@article{arxiv.2510.01802,
title = {Machine-learning-enabled methodology for the ab-initio simulations of sub-$\mu$m-wide nanoribbons},
author = {Guan-Hao Peng and Chin-Jui Huang and Wen-Teng Yang and Shun-Jen Cheng},
journal= {arXiv preprint arXiv:2510.01802},
year = {2025}
}
备注
27 pages, 6 figures