李金金/周震CM: 集成监督和非监督学习加速二维范德华异质结的挖掘

随着载流子注入的减少，源极和漏极处的金属-半导体（M-S）界面的接触电阻增加，从而降低了器件性能。减小M-S界面处的肖特基势垒高度（SBH）是降低接触电阻的有效方法，因而探索欧姆接触（无肖特基势垒）或低接触电阻2D半导体/金属异质结对于开发高性能电子器件至关重要。

在此，上海交通大学李金金研究员、郑州大学周震教授等人将DFT计算与机器学习（ML）方法相结合，以寻找具有低电阻的高性能2D M-S范德华（vdW）异质结构并将其用于电子设备的潜在应用。作者使用低电阻和高隧穿概率（TP）作为筛选标准，其中接触性能通过监督回归模型预测，而无监督ML模型筛选出高TP的结构。

基于混淆矩阵，作者证明了监督学习无法对不平衡和稀缺的数据产生高精度预测，而无监督学习可缓解数据稀缺和不平衡的问题，为复杂系统的结构设计带来了有希望和有用的结果。具体而言，作者从元素周期表中生成了一个综合数据集，该数据集由1092个具有良好接触性能的潜在2D半导体/金属异质结组成，并证明了小界面偶极子和局部表面态的消除对于设计具有低SBH的先进2D M-S系统至关重要。

图1. 集成监督和非监督学习的研究框架

最终，作者筛选得到6种新型2D vdW M-S异质结（Al₂SO-Zn₃C₂、iAl₂SO-Zn₃C₂、GaSe-NbS₂、GaSe-NbSe₂和GeSe-VS₂），并将其作为具有低电阻和高TP的候选者。在这些候选者中，2个是Janus型结构（Al₂SO-Zn₃C₂、iAl₂SO-Zn₃C₂），它们可根据本征极化具有灵活和可调节的电子特性。

数据驱动的ML方法有很多优点，如能够提取数据中潜在的非线性关系，通过结合DFT或实验数据快速预测大量新型材料的性质等。因此，在保证传统第一性原理计算的预测精度的同时，所提出的多步ML辅助预测方法大大提高了预测速度，在不到5秒的时间内完成复杂系统的筛选。总之，这项研究证明了无监督学习在解决与小型或分布不均匀的复杂数据集相关的训练问题方面的优越性。

图2. 多步ML方法筛选的DFT验证

Accelerated Mining of 2D Van der Waals Heterojunctions by Integrating Supervised and Unsupervised Learning, Chemistry of Materials 2022. DOI: 10.1021/acs.chemmater.2c00641

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/08/097c0190ac/

李金金/周震CM: 集成监督和非监督学习加速二维范德华异质结的挖掘

相关推荐

发表回复