基于机器学习方法的二维材料带隙预测

摘要：

利用密度泛函理论与机器学习相结合的方法,对二维金属化合物的带隙进行研究,得到比传统理论计算成本更低且更有效的带隙预测方法.以广义梯度近似(general gradient approximation,GGA)-Perdew-Burke-Ernzerhof (PBE) (GGA-PBE)和G0W0的带隙计算结果为参考,考察了化学通式为MX2的二维材料数据集.利用套索回归,即最小绝对值收敛和选择算子(least absolute shrinkage and selection operator,LASSO)、支持向量回归(support vector regression,SVR)和梯度树提升回归(gradient boosting regression,GBR)等机器学习方法建立带隙的预测模型.测试结果表明,对于大多数二维材料,基于线性核函数的SVR与LASSO模型的预测性能相对较好,训练模型的平均绝对误差为0.34 eV,测试集误差为0.5 eV.这说明对于二维材料带隙采取的特征参数集具有一定的完备性和合理性,对新材料带隙的初步预测有一定的参考价值.

关键词：二维材料、第一性原理、机器学习、带隙

所属期刊栏目：26

分类号：TB39;O469(工程材料学)

资助基金：国家自然科学基金青年科学基金资助项目11404206

在线出版日期：2020-12-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：824-833