面向量子技术的固态材料平台预测

半导体材料为量子技术（QT）提供了引人注目的平台，大量材料的属性可在包含实验与理论探索信息的数据库中找到。然而，搜索这些数据库以寻找有前景的量子技术应用候选材料是一项重大挑战。因此，我们开发了一个利用材料信息学与机器学习方法自动发现QT半导体宿主平台的框架，由此得到一个包含超过25000种材料及近5000个物理信息特征的数据集。我们设计了三种方法，分别称为Ferrenti法、扩展Ferrenti法和经验法，为逻辑回归、决策树、随机森林和梯度提升等监督机器学习（ML）方法标注数据。我们发现，三者之中，仅依赖文献发现的经验法所预测的候选材料明显少于另两种方法，且在比较协方差矩阵两个最大特征值时，合适与不合适候选材料间区分明显。与文献预期及聚焦于带隙与离子特性的Ferrenti和扩展Ferrenti法不同，经验法的ML方法强调与对称性和晶体结构相关的特征（包括键长、取向和径向分布）在预测材料适于QT时具有影响力。三种方法与四种ML方法就一个由8种单质、29种二元和10种三元化合物组成的47个合格候选子集（概率>50%）达成一致，并为进一步面向量子技术的材料探索奠定基础。