Chemistry of Materials：機器學習輔助精確預測官能團化的MXene的帶隙

【引言】

層狀二維（2D）材料有望革新當代能源、傳感器、電子和光學器件，自從石墨烯被發現以來，各種二維材料如雨后春筍似的出現在研究人員的視野中，其中有一類名為MXene的無機二維材料是對這個材料系列重要的補充。MXene（M_n+1X_n，M：ⅢB和ⅣB元素，X：{C，N}，n=1，2，3）是一種前過渡金屬碳化物、氮化物或碳氮化物的總稱，其是從相應的MAX相中采用化學方法剝離而制備出的。由于其存在表面電荷，導致原始的MXene活性較高，因此會自發地被表面官能團所鈍化（M_n+1X_nT₂）。以過渡金屬、碳/氮原子和大量官能團（T：F、O、OH等）作為組成部分可以在化合物空間中生成數萬種MXene，其所擁有的優異性能可應用于光、電、儲能和光催化等領域。

通過實驗和計算來表征這些材料可能是一個耗時的過程。為了搜尋可用于電、光和催化的MXene，了解其準確的帶隙至關重要，然而所涉及的復雜計算也許需要較長時間才能完成。隨著高性能計算機的發展，基于密度泛函理論（DFT）的方法可以以合理的時間成功地用于計算材料的帶隙。而一些計算方法，如局部密度或廣義梯度近似（LDA或GGA）計算、基于多體微擾理論GW等方法非常耗時，而且非常昂貴。最近，統計學習已經成為預測各類材料的結構與性能的一種有效地工具，這些方法能夠在合理的時間內準確地預測材料的性能，如結合能、晶格熱導率、帶隙、熵、自由能和熱容等。

【成果簡介】

近日，印度理學院（Indian Institute of Science）的Abhishek K. Singh（通訊作者）在Chemistry of Materials上發表題為“Machine-Learning Assisted Accurate Band Gap Predictions of Functionalized MXene”的研究論文，文中通過統計學習準確地估計功能化MXene的帶隙以研究其電學性能。使用MXene易得的一些性質，如熔沸點、原子半徑、相、鍵強等作為輸入變量，使用核嶺（KRR）、支持向量（SVR）、高斯過程（GPR）和引導聚合（bagging）回歸算法來開發模型，GPR模型可以在幾秒內預測其帶隙為0.14 eV，且均方根誤差（rmse）最小。研究結果表明機器學習模型不會產生使用密度泛函理論（DFT）計算所引起的局部或半局部函數的帶隙估計值較低問題，且無需使用耗時的GW法進行后續矯正。

【圖文導讀】

圖一 MXene的組成

11種ⅢB和ⅣB的前過渡金屬M（藍色），X：{C，N}（黃色），14種表面官能團T/T’（紅色），這些組合可產生23870種MXene。T/T’由功能化的元素{H、F、Cl、Br、O}和基團{CN、NO、PO、OH、OCl、OBr、OCN、SCN、NSC}組成（如圖下部所示）。MXene兩種主要相（bb’和cb）分別如圖左上方和右上方

圖二 工作流程

從MXene數據庫中過濾半導體并將其子集作為輸入提供給機器學習算法的原理圖，學習過程涉及{X，y}（X：變量，y：響應函數）的訓練集并執行高精確地帶隙預測程序

圖三 具有半導體特性的MXene

（a）通過計算76種MXene的庫克（Cook）距離對其進行離群分析，因而除去了其中異常的6種MXene

（b）剩下的70種MXene在計算量較大的G₀W₀水平中，PBE帶隙隨著相應的間隙增加

（c）與機器學習數據集相對應的G₀W₀帶隙分布

圖四 密度與相關性圖

（a）在機器學習預處理中具有零均值和單位方差的標準化數據集的密度圖

（b）顯示了各自主要特征與其自身相關的統計熱圖

圖五 MXene的帶隙預測

預測帶隙與真實帶隙之間的散點圖，其中初始物（上）和化合物（下）分別如圖所示，KRR（a/e）、SVR（b/f）、GPR（c/g）和 bagging（d/h）的精度測量（如R²和rmse）所顯示的最佳模型預測，其中，90%是訓練數據（紅），10%是測試數據（綠）

圖六 回歸度量的變化

GPR（黑圈）和bagging（紅菱形）的回歸度量的變化，相對于r=2、4、6和8的組合特征，基本特征的（a）R²（b）rmse和（c）mae如圖所示

圖七 通過bagging法計算的基本特征重要度

圖八 GW帶隙的變化

70種MXene的GW帶隙的變化與（a）和V，（b）H_f和V之間的函數圖像

【小結】

本文開發了可用于精確預測MXene帶隙的機器學習模型，并生成了23870中MXene的結構，其中隨機選擇了7200中MXene來創建包含已經計算優化的結構和電學性能的數據庫，同時也開發了精確度達94%的金屬-半導體分類模型。此外，對用于預測材料性能的不同流行方法適用性的詳細比較研究將對高通量性能預測的模型開發產生重要影響。

文獻鏈接： Machine-Learning Assisted Accurate Band Gap Predictions of Functionalized MXene（Chemistry of Materials, 2018, DOI: 10.1021/acs.chemmater.8b00686）

本文由材料人計算材料組杜成江編譯供稿，材料牛整理編輯。?

材料牛網專注于跟蹤材料領域科技及行業進展，這里匯集了各大高校碩博生、一線科研人員以及行業從業者，如果您對于跟蹤材料領域科技進展，解讀高水平文章或是評述行業有興趣，點我加入材料人編輯部。

歡迎大家到材料人宣傳科技成果并對文獻進行深入解讀，投稿郵箱tougao@cailiaoren.com.

投稿以及內容合作可加編輯微信：cailiaokefu.

如果您想應用高通量計算、機器學習，歡迎您使用材料人計算模擬解決方案。材料人匯聚全球材料計算模擬資源和人才，專注于為大家解決各類計算模擬需求。如果您有需求，歡迎掃以下二維碼提交您的需求，或直接聯系微信客服（微信號：cailiaoren001）