武科大王玉华课题组综述：机器学习在二维材料领域的研究进展

一、 【导读】 

近年来，伴随大数据和计算能力的迅猛增长，机器学习（ML）技术逐渐深入到各个科研领域，为传统研究方法注入了新的活力。以往，材料研究大多受限于繁琐的实验流程和高昂的模拟计算成本，但现在，ML可以利用现有数据进行高效的预测和深入分析，极大地推进了新材料的探索和性质研究的速度。特别在二维材料领域，ML的介入为材料筛选、性质预测以及新型材料设计开辟了新的路径。尽管数据驱动的策略在二维材料研究中已取得显著进展，但对其在这一领域的系统应用仍有待深入探讨和总结。因此，本文旨在梳理ML在二维材料的带隙预测、磁性分类、催化材料筛选及合成设计等方面的最新研究进展。

图1 ML在二维材料中的四个领域的应用示意图。

二、【成果掠影】

为了填补研究中的这一空白，本文详细综述了ML在二维材料研究的广泛应用。总结了利用ML算法对2D材料进行带隙预测和磁性分类的方法。此外，本文还探讨了如何通过ML算法高效筛选大型材料数据库，以确定具有特定催化特性的潜在材料，从而极大地加速了新型催化剂的探索和发现。总的来说，它对ML在此领域的各种应用前景进行了深入探讨，旨在为未来的研究提供有力的参考和方向指引。

 三、【数据概览】

图2 二维材料领域中ML在合成、筛选、识别和搜索方面的应用总结

图3 ML的一般过程：准备数据集、数据清理、特征选择、数据归一化、数据集分割、训练模型。

图4 (a) Δ-ML 预测二维材料 E_g^HSE 的流程图。RF 和 Δ-ML 在数据集上的 5 倍交叉验证 (C-V) 方案。RF 不考虑 E_g^PBE，但 Δ-ML 包括 E_g^PBE。R² 是判定系数。(b) 从 MXene 数据库中筛选半导体并将其中一部分作为训练模型输入的工作流程示意图。MXene 的带隙预测。散点图显示了复合特征重要组合的带隙预测与真实（GW）带隙。

图5 (a) 二维调频材料的筛选。根据是否已探索的标准，将化学空间划分为不同的数据集（已探索的是训练集和测试集，否则是预测集），然后使用t-SNE方法进行可视化。粉红色的圆点代表训练和测试集中的化合物，粉红色的圆圈包含一些已知的晶体。(b) 对C2DB中的3814种二维材料进行了磁性分类。这种策略的初衷是将结构和原子种类聚合在一起。根据元素周期表的组织，原子种类基本上是聚集的，而ML模型是根据局部变形、可能的成分和晶体组来对结构进行分组的。该聚类用于识别特定元素和结构形成非磁性（红色）2D或磁性结构（蓝色）的趋势。

图6 (a) 用于筛选二维晶体的 DL 辅助自动光学显微镜示意图。(b) 用于 DL 辅助自动搜索的光学显微镜和计算机屏幕照片。(c) 标有石墨烯、氢化硼、WTe₂ 和 MoS₂ 数据集的示例和训练模型示意图。 (d) 用于捕捉剥离石墨烯图像的光学显微镜装置（左）（分别为 Keyence VHX-900、Asahikogaku AZ 10-T/E 和 Keyence VHX-5000）。使用这些仪器记录的光学图像（中）。光学显微镜图像的推断结果（右图）。(e) 根据预先训练的模型权重对两个数据集进行迁移学习。测试（实曲线）和训练（虚曲线）损失与在石墨烯、WTe₂、MoS₂ 和 hBN 上训练的周期计数的函数关系。

图7 (a) C-Infograph 的总体结构，其中黑色箭头对应图像神经网络(GNN) 和 C-Infograph 的处理步骤，金色箭头对应 infomax，它将互信息（IW）整合到损失函数中。(b) 图形神经网络（GNN）指导二维材料晶界进化搜索的示意图。(c) 基于ML的梯度纳米颗粒石墨烯作为二维热整流器工作流程的研究。梯度纳米晶粒石墨烯（GNGG）在类似竹子的生物体系中具有空间变化的纳米晶粒（左上图），相邻纳米晶粒通过缺陷为主的晶界（中上图）很好地缝合在一起。右上方列出了具有不同微观结构的二维石墨烯的温度分布示意图。用于热传输特性ML研究的 GNGG 描述符（右下）。通过训练有素的ML模型预测 GNGG 的热传输特性。(d) GNGG 的全局和局部结构，其中微观结构信息（如 GB 的位置）被选为训练模型的输入特征。(e) 以预测能带特征的 Ge₈H_nX_n-8 势的挖掘结构为例。(f) 基于 Ge₈H_nX_8-n 构型的光伏应用异质结的设计过程。(g) 通过ML控制剥离二维材料横向尺寸的工作概述。前驱层压复合材料由主层和客体分子组成，具有原始横向尺寸（L₀）。将层压复合材料剥离成表面功能化的纳米片，并在有机介质中绘制其 DLS 图，以估算尺寸减小率（R_L = LL₀^-1）。训练数据集包括作为目标变量的 48 个 R_L 值（y = R_L）和作为解释变量的 18 个潜在描述符（x_n：n = 1-18），使用稀疏建模法构建尺寸预测模型。使用预测模型（左）对定制合成的大纳米片和小纳米片进行剥离实验，从全部未知的 4800 种组合中预测出 80 种主体-客体-介质组合（右）。

图8 二维材料在带隙、磁性、催化等领域的具体应用。

四、【成果启示】

在二维材料研究中，ML正逐渐成为核心工具，为研究带来了革命性的变革。它能高效筛选出有潜力的材料，避免了传统的试错过程。更为出色的是，ML可以准确预测材料性质，如带隙和磁性，这常常超越传统方法。对于希望设计特定二维材料的研究者，ML不仅提供设计建议，还能加速模拟和计算，使研究更为高效。随着数据的增加，其预测能力也在持续提升。近年来，研究人员借助ML等数据驱动的先进技术，在深入挖掘二维材料性能上已实现了显著的突破。

武汉科技大学硕士何花为第一作者，王玉华教授为通讯作者。

原文详情：Hua He, Yuhua Wang, Yajuan Qi, Zichao Xu, Yue Li, Yumei Wang. From Prediction to Design: Recent Advances in Machine Learning for the Study of 2D Materials[J]. Nano Energy,2023,108965.

原文链接：https://doi.org/10.1016/j.nanoen.2023.108965

本文由作者供稿。