关键词:
机器学习
密度泛函理论
非平衡格林函数
过渡金属硫化物
钙钛矿材料
摘要:
由于高性能、环境友好型材料能够缓解当今社会面临的环境污染和能源短缺问题,因此受到各国研究人员的广泛关注。目前探寻新材料的途径主要是实验和理论计算,但这两者都属于试错型方法,很大程度上依赖于研究人员的经验,因此存在实验周期长、试错成本高的问题。而最近兴起的机器学习方法对快速探索材料性质表现出了巨大的潜力。它能够利用已知的材料数据集,通过各种算法快速地对未知材料进行预测和分析,并提供不依赖于直觉和经验的数据结果。鉴于此,机器学习方法已逐渐成为材料开发中一种强有力的辅助手段。本论文借助机器学习结合第一性原理计算的方法探索了新材料的物理性质。论文的研究内容如下:
(1)带隙是材料非常重要的属性,如今大量材料的带隙值已通过密度泛函理论计算并收录进材料数据库中。然而在这类计算中往往采用Perdew-BurkeErnzerhof(PBE)方法处理其中的交换关联函数,因此带隙常常被低估。相比于PBE方法,杂化泛函方法(HSE)是一种更加准确的方法,但需要大量的计算资源。为了克服这一问题,本章节借助机器学习方法精确预测了材料的带隙值。首先构建一个分类模型挑选出数据集中的非金属材料,接着基于不同的描述符矢量,建立三种机器学习模型来预测非金属材料的带隙值。对于模型I,描述符只包含了材料的组份信息;对于模型II,只使用了PBE计算的带隙值作为输入变量;而在模型III中,输入变量同时包括材料的PBE带隙和组份信息,预测精度可与HSE方法对标。最后,利用这一模型,成功预测了Materials Project数据库中126 324个无机材料的带隙值,并建立了相应的数据库。
(2)二维过渡金属硫族化合物异质结的电子性质和它们的层数有着密切的关系。我们基于密度泛函理论与机器学习技术相结合的方法,有效地预测了由单层或多层Mo S2、WS2、Mo Se2、WSe2、Mo Te2、WTe2两两组成的N层原子层构成的异质结的电子特性(其中N=2~10)。结果显示,组成元素种类对异质结的电子性质有着决定性的影响。在层数较少的情况下,层数对电子性质的影响较大,特别是当异质结的层数从双层增加到三层时,其带隙值和能带排列类型会发生较大的改变。而当层数增加到一定厚度时,层数对异质结电子性质的影响逐渐降低,材料的电子性质变化逐渐减小,趋于三维块体性质。
(3)构建了Janus-Mo SO单层及Janus-MoSO/MoS2异质结,并系统地研究了它们的光学性质和接触电阻。当Mo S2单层转变成Janus-Mo SO单层时,由于S和O原子之间的电负性差异,产生了一个本征电场。当氧化发生在双层Mo S2表面时,则构成了一个非对称的Janus-Mo SO/Mo S2异质结。结果表明它具有一个Type-II型的能带排列,并且激子结合能很小,这些都有利于提升材料中电子和空穴的分离效率。接着,进一步研究了双层Mo S2和Janus-Mo SO/Mo S2异质结的接触性质。当金电极与双层Mo S2接触时会产生一个肖特基势垒,而当Janus-Mo SO/Mo S2异质结与金电极接触时,表现出了欧姆接触的性质。这一特性有利于器件中的电荷注入。
(4)通过掺杂对材料进行改性,是材料领域常用的研究手段。本章节使用基于高通量计算和机器学习的方法来探索杂化A3B2X9的光催化性能,首先通过等价替换A3B2X9钙钛矿材料中的原子,构造了340万个掺杂结构。接着构建了机器学习模型来预测340万个钙钛矿结构的带隙值,并经过高通量筛选将光催化候选材料的数量减少到30万种,最后对这些候选材料进行能量转换效率的计算。计算结果表明,掺杂原子的种类和掺杂位点对催化性能有着重要的影响。为了获得更高的催化性能,对于X位原子来说,Br和I原子共存是一个比较好的选择;而对于B位原子来说,更倾向于选择大周期的重原子。此工作也为探索掺杂系统提供了一个有效的研究途径。