武科大王玉華課題組綜述：機器學習在二維材料領域的研究進展

一、 【導讀】?

近年來，伴隨大數據和計算能力的迅猛增長，機器學習（ML）技術逐漸深入到各個科研領域，為傳統研究方法注入了新的活力。以往，材料研究大多受限于繁瑣的實驗流程和高昂的模擬計算成本，但現在，ML可以利用現有數據進行高效的預測和深入分析，極大地推進了新材料的探索和性質研究的速度。特別在二維材料領域，ML的介入為材料篩選、性質預測以及新型材料設計開辟了新的路徑。盡管數據驅動的策略在二維材料研究中已取得顯著進展，但對其在這一領域的系統應用仍有待深入探討和總結。因此，本文旨在梳理ML在二維材料的帶隙預測、磁性分類、催化材料篩選及合成設計等方面的最新研究進展。

圖1 ML在二維材料中的四個領域的應用示意圖。

二、【成果掠影】

為了填補研究中的這一空白，本文詳細綜述了ML在二維材料研究的廣泛應用。總結了利用ML算法對2D材料進行帶隙預測和磁性分類的方法。此外，本文還探討了如何通過ML算法高效篩選大型材料數據庫，以確定具有特定催化特性的潛在材料，從而極大地加速了新型催化劑的探索和發現。總的來說，它對ML在此領域的各種應用前景進行了深入探討，旨在為未來的研究提供有力的參考和方向指引。

?三、【數據概覽】

圖2 二維材料領域中ML在合成、篩選、識別和搜索方面的應用總結

圖3 ML的一般過程：準備數據集、數據清理、特征選擇、數據歸一化、數據集分割、訓練模型。

圖4 (a) Δ-ML 預測二維材料 E_g^HSE 的流程圖。RF 和 Δ-ML 在數據集上的 5 倍交叉驗證 (C-V) 方案。RF 不考慮 E_g^PBE，但 Δ-ML 包括 E_g^PBE。R² 是判定系數。(b) 從 MXene 數據庫中篩選半導體并將其中一部分作為訓練模型輸入的工作流程示意圖。MXene 的帶隙預測。散點圖顯示了復合特征重要組合的帶隙預測與真實（GW）帶隙。

圖5 (a) 二維調頻材料的篩選。根據是否已探索的標準，將化學空間劃分為不同的數據集（已探索的是訓練集和測試集，否則是預測集），然后使用t-SNE方法進行可視化。粉紅色的圓點代表訓練和測試集中的化合物，粉紅色的圓圈包含一些已知的晶體。(b) 對C2DB中的3814種二維材料進行了磁性分類。這種策略的初衷是將結構和原子種類聚合在一起。根據元素周期表的組織，原子種類基本上是聚集的，而ML模型是根據局部變形、可能的成分和晶體組來對結構進行分組的。該聚類用于識別特定元素和結構形成非磁性（紅色）2D或磁性結構（藍色）的趨勢。

圖6 (a) 用于篩選二維晶體的 DL 輔助自動光學顯微鏡示意圖。(b) 用于 DL 輔助自動搜索的光學顯微鏡和計算機屏幕照片。(c) 標有石墨烯、氫化硼、WTe₂ 和 MoS₂ 數據集的示例和訓練模型示意圖。 (d) 用于捕捉剝離石墨烯圖像的光學顯微鏡裝置（左）（分別為 Keyence VHX-900、Asahikogaku AZ 10-T/E 和 Keyence VHX-5000）。使用這些儀器記錄的光學圖像（中）。光學顯微鏡圖像的推斷結果（右圖）。(e) 根據預先訓練的模型權重對兩個數據集進行遷移學習。測試（實曲線）和訓練（虛曲線）損失與在石墨烯、WTe₂、MoS₂ 和 hBN 上訓練的周期計數的函數關系。

圖7 (a) C-Infograph 的總體結構，其中黑色箭頭對應圖像神經網絡(GNN) 和 C-Infograph 的處理步驟，金色箭頭對應 infomax，它將互信息（IW）整合到損失函數中。(b) 圖形神經網絡（GNN）指導二維材料晶界進化搜索的示意圖。(c) 基于ML的梯度納米顆粒石墨烯作為二維熱整流器工作流程的研究。梯度納米晶粒石墨烯（GNGG）在類似竹子的生物體系中具有空間變化的納米晶粒（左上圖），相鄰納米晶粒通過缺陷為主的晶界（中上圖）很好地縫合在一起。右上方列出了具有不同微觀結構的二維石墨烯的溫度分布示意圖。用于熱傳輸特性ML研究的 GNGG 描述符（右下）。通過訓練有素的ML模型預測 GNGG 的熱傳輸特性。(d) GNGG 的全局和局部結構，其中微觀結構信息（如 GB 的位置）被選為訓練模型的輸入特征。(e) 以預測能帶特征的 Ge₈H_nX_n-8 勢的挖掘結構為例。(f) 基于 Ge₈H_nX_8-n 構型的光伏應用異質結的設計過程。(g) 通過ML控制剝離二維材料橫向尺寸的工作概述。前驅層壓復合材料由主層和客體分子組成，具有原始橫向尺寸（L₀）。將層壓復合材料剝離成表面功能化的納米片，并在有機介質中繪制其 DLS 圖，以估算尺寸減小率（R_L = LL₀^-1）。訓練數據集包括作為目標變量的 48 個 R_L 值（y = R_L）和作為解釋變量的 18 個潛在描述符（x_n：n = 1-18），使用稀疏建模法構建尺寸預測模型。使用預測模型（左）對定制合成的大納米片和小納米片進行剝離實驗，從全部未知的 4800 種組合中預測出 80 種主體-客體-介質組合（右）。

圖8 二維材料在帶隙、磁性、催化等領域的具體應用。

四、【成果啟示】

在二維材料研究中，ML正逐漸成為核心工具，為研究帶來了革命性的變革。它能高效篩選出有潛力的材料，避免了傳統的試錯過程。更為出色的是，ML可以準確預測材料性質，如帶隙和磁性，這常常超越傳統方法。對于希望設計特定二維材料的研究者，ML不僅提供設計建議，還能加速模擬和計算，使研究更為高效。隨著數據的增加，其預測能力也在持續提升。近年來，研究人員借助ML等數據驅動的先進技術，在深入挖掘二維材料性能上已實現了顯著的突破。

武漢科技大學碩士何花為第一作者，王玉華教授為通訊作者。

原文詳情：Hua He, Yuhua Wang, Yajuan Qi, Zichao Xu, Yue Li, Yumei Wang. From Prediction to Design: Recent Advances in Machine Learning for the Study of 2D Materials[J]. Nano Energy,2023,108965.

原文鏈接：https://doi.org/10.1016/j.nanoen.2023.108965

本文由作者供稿。