扭曲六方石墨烯的机器学习原子势：精确结构松弛与涌现极化

二维异质结构的新兴铁电性质正处于科学和前景技术的前沿。在莫尔双层结构中，扭曲或异质结构会导致局部原子重构，即使在皮米尺度上，也会导致显著的铁电极化。准确地利用初步方法确定这一重构对于相关系统尺寸来说是不可行的，但现代机器学习原子势为可行的解决方案。本文提出了针对扭曲六方石墨烯（hBN）层的高斯近似势（Gaussian Approximation Potential），并通过初步数据集进行了验证。该方法使我们能够精确分析其结构性质，这在较小扭曲角的情况下尤其重要。我们将结构信息与基于准确原子位置的紧束缚模型相结合，确定扭曲角度依赖的极化，并得到的结果与先前的实验发现相吻合——即使在室温下也是如此。该方法论方法使进一步的研究成为可能，而这些研究以前无法实现，该方法可转移到其他感兴趣的二维材料中。