面向材料发现的机器学习：二维拓扑绝缘体

材料发现的主要目标与挑战之一是为每种感兴趣的性质或应用找到最佳候选材料。机器学习在此背景下兴起，用于高效优化这一搜索，探索由原子、组分和结构空间同时构成的巨大材料空间。具有对称性保护金属边缘态的拓扑绝缘体是一类适用于多种应用前景的材料。然而，可行候选材料的匮乏限制了其进一步发展。在此我们提出并讨论用于搜索二维拓扑材料空间的机器学习加速策略。我们展示了详细研究每个机器学习组件的重要性，这会带来不同的结果。利用近期创建的包含数千个二维材料第一性原理计算的数据库，我们训练了能够判定材料电子拓扑性质的机器学习模型，准确率超过90%。我们随后可生成并筛选数千种新材料，高效预测其拓扑特征而无需先验结构知识。我们发现了56种非平凡材料，其中17种为待进一步研究的新颖绝缘体候选材料，并通过密度泛函理论计算证实了它们的拓扑性质。该策略比试错法效率高10$\times$，且快数个数量级，是指导改进材料发现搜索策略的概念验证。