Chemistry of Materials：机器学习辅助精确预测官能团化的MXene的带隙

【引言】

层状二维（2D）材料有望革新当代能源、传感器、电子和光学器件，自从石墨烯被发现以来，各种二维材料如雨后春笋似的出现在研究人员的视野中，其中有一类名为MXene的无机二维材料是对这个材料系列重要的补充。MXene（M_n+1X_n，M：ⅢB和ⅣB元素，X：{C，N}，n=1，2，3）是一种前过渡金属碳化物、氮化物或碳氮化物的总称，其是从相应的MAX相中采用化学方法剥离而制备出的。由于其存在表面电荷，导致原始的MXene活性较高，因此会自发地被表面官能团所钝化（M_n+1X_nT₂）。以过渡金属、碳/氮原子和大量官能团（T：F、O、OH等）作为组成部分可以在化合物空间中生成数万种MXene，其所拥有的优异性能可应用于光、电、储能和光催化等领域。

通过实验和计算来表征这些材料可能是一个耗时的过程。为了搜寻可用于电、光和催化的MXene，了解其准确的带隙至关重要，然而所涉及的复杂计算也许需要较长时间才能完成。随着高性能计算机的发展，基于密度泛函理论（DFT）的方法可以以合理的时间成功地用于计算材料的带隙。而一些计算方法，如局部密度或广义梯度近似（LDA或GGA）计算、基于多体微扰理论GW等方法非常耗时，而且非常昂贵。最近，统计学习已经成为预测各类材料的结构与性能的一种有效地工具，这些方法能够在合理的时间内准确地预测材料的性能，如结合能、晶格热导率、带隙、熵、自由能和热容等。

【成果简介】

近日，印度理学院（Indian Institute of Science）的Abhishek K. Singh（通讯作者）在Chemistry of Materials上发表题为“Machine-Learning Assisted Accurate Band Gap Predictions of Functionalized MXene”的研究论文，文中通过统计学习准确地估计功能化MXene的带隙以研究其电学性能。使用MXene易得的一些性质，如熔沸点、原子半径、相、键强等作为输入变量，使用核岭（KRR）、支持向量（SVR）、高斯过程（GPR）和引导聚合（bagging）回归算法来开发模型，GPR模型可以在几秒内预测其带隙为0.14 eV，且均方根误差（rmse）最小。研究结果表明机器学习模型不会产生使用密度泛函理论（DFT）计算所引起的局部或半局部函数的带隙估计值较低问题，且无需使用耗时的GW法进行后续矫正。

【图文导读】

图一 MXene的组成

11种ⅢB和ⅣB的前过渡金属M（蓝色），X：{C，N}（黄色），14种表面官能团T/T’（红色），这些组合可产生23870种MXene。T/T’由功能化的元素{H、F、Cl、Br、O}和基团{CN、NO、PO、OH、OCl、OBr、OCN、SCN、NSC}组成（如图下部所示）。MXene两种主要相（bb’和cb）分别如图左上方和右上方

图二 工作流程

从MXene数据库中过滤半导体并将其子集作为输入提供给机器学习算法的原理图，学习过程涉及{X，y}（X：变量，y：响应函数）的训练集并执行高精确地带隙预测程序

图三 具有半导体特性的MXene

（a）通过计算76种MXene的库克（Cook）距离对其进行离群分析，因而除去了其中异常的6种MXene

（b）剩下的70种MXene在计算量较大的G₀W₀水平中，PBE带隙随着相应的间隙增加

（c）与机器学习数据集相对应的G₀W₀带隙分布

图四 密度与相关性图

（a）在机器学习预处理中具有零均值和单位方差的标准化数据集的密度图

（b）显示了各自主要特征与其自身相关的统计热图

图五 MXene的带隙预测

预测带隙与真实带隙之间的散点图，其中初始物（上）和化合物（下）分别如图所示，KRR（a/e）、SVR（b/f）、GPR（c/g）和 bagging（d/h）的精度测量（如R²和rmse）所显示的最佳模型预测，其中，90%是训练数据（红），10%是测试数据（绿）

图六 回归度量的变化

GPR（黑圈）和bagging（红菱形）的回归度量的变化，相对于r=2、4、6和8的组合特征，基本特征的（a）R²（b）rmse和（c）mae如图所示

图七 通过bagging法计算的基本特征重要度

图八 GW带隙的变化

70种MXene的GW带隙的变化与（a）和V，（b）H_f和V之间的函数图像

【小结】

本文开发了可用于精确预测MXene带隙的机器学习模型，并生成了23870中MXene的结构，其中随机选择了7200中MXene来创建包含已经计算优化的结构和电学性能的数据库，同时也开发了精确度达94%的金属-半导体分类模型。此外，对用于预测材料性能的不同流行方法适用性的详细比较研究将对高通量性能预测的模型开发产生重要影响。

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

本文由材料人计算材料组杜成江编译供稿，材料牛整理编辑。 

材料牛网专注于跟踪材料领域科技及行业进展，这里汇集了各大高校硕博生、一线科研人员以及行业从业者，如果您对于跟踪材料领域科技进展，解读高水平文章或是评述行业有兴趣，点我加入材料人编辑部。

欢迎大家到材料人宣传科技成果并对文献进行深入解读，投稿邮箱tougao@cailiaoren.com.

投稿以及内容合作可加编辑微信：cailiaokefu.

如果您想应用高通量计算、机器学习，欢迎您使用材料人计算模拟解决方案。材料人汇聚全球材料计算模拟资源和人才，专注于为大家解决各类计算模拟需求。如果您有需求，欢迎扫以下二维码提交您的需求，或直接联系微信客服（微信号：cailiaoren001）