Behle

碳掺杂二维材料中的人工智能能隙预测：利用 Behler-Parrinello 描述符实现高密度系统

摘要 在本研究中，我们使用机器学习 (ML) 技术探索了碳掺杂六方氮化硼 (h-BN) 薄片的电子特性。六方氮化硼是一种被广泛研究的二维材料，具有出色的机械、热学和电子特性，使其适用于纳米电子学和光电子学应用。通过用碳原子掺杂 h-BN 晶格，我们旨在研究掺杂如何影响其电子结构，特别关注基态能量和 HOMO-LUMO 间隙。我们生成了一个包含 2076 个 h-BN 薄片的数据集，这些薄片被氢饱和并掺杂了随机变化浓度的碳原子。选择了三种典型的掺杂场景——一个、十个和二十个碳原子——进行深入分析。使用密度泛函理论 (DFT) 计算，我们确定了这些配置的基态能量和 HOMO-LUMO 间隙。使用 Behler-Parrinello 原子对称函数从优化结构生成描述符，这些描述符捕获了 ML 模型的关键特征。我们采用了随机森林和梯度提升模型来预测能量和 HOMO-LUMO 间隙，实现了较高的预测准确率，R 平方值分别为 0.84 和 0.87。这项研究证明了 ML 技术在预测掺杂 2D 材料特性方面的潜力，为传统方法提供了一种更快、更经济的替代方案，对纳米电子、储能和传感器领域的材料设计具有广泛的意义。