这篇文章的题目为《通过整合监督学习和无监督学习加速二维范德华异质结的开采》，由An Chen、Zhilong Wang、Xu Zhang、Letian Chen、Xu Hu、Yanqiang Han、Junfei Cai、Zhen Zhou 和 Jinjin Li 等人合作完成，发表于《Chem. Mater.》期刊，发布日期为2022年6月14日。
该研究主要集中在金属-半导体界面的接触电阻问题上，尤其是在二维（2D）范德华异质结（vdW heterojunctions）材料中的应用。接触电阻是影响器件性能的关键因素，特别是随着载流子的注入减少，金属-半导体接触界面的肖特基势垒高度（Schottky barrier height, SBH）会增加，从而导致接触电阻增大，最终降低设备的性能。因此，降低肖特基势垒高度或探索无肖特基势垒的欧姆接触（Ohmic contact）是提高电子器件性能的有效途径。
为了找到具有良好接触性能的二维金属-半导体异质结材料，该研究通过结合监督学习和无监督学习方法，采用从头算（first-principles）计算，提出了一种加速筛选二维范德华金属-半导体异质结材料的新方法。该方法可以高效筛选出具有低接触电阻和高隧穿概率（tunneling probability, TP）的材料，为高性能电子器件的开发提供理论支持。
这项研究结合了监督学习与无监督学习，并利用从头算的计算方法来筛选二维金属-半导体范德华异质结。研究的工作流程包括以下几个步骤：
设计二维金属-半导体范德华异质结： 研究人员首先设计了一个包含1092种潜在二维金属-半导体异质结的数据库。这些异质结系统通过将84种半导体材料和13种二维金属材料结合，进行初步筛选，并确定其是否符合接触性能的要求。
高通量计算与训练数据集构建： 基于137个随机选取的二维金属-半导体范德华异质结进行高通量的从头算计算，评估每种异质结的接触性能。通过这些计算结果，筛选出了27种具有欧姆接触性能的异质结。
监督学习模型的构建与预测： 通过监督学习模型，研究人员利用已经计算得到的27个具有欧姆接触性能的异质结数据，快速预测出295种具有低接触电阻的异质结。这些预测结果仅用不到5秒的时间完成。
无监督学习模型的构建与筛选： 在无监督学习模型的帮助下，研究人员筛选出了20种具有高隧穿概率的二维金属-半导体范德华异质结。这一步的关键在于无监督学习能够解决数据不平衡和数据稀缺的问题，从而提高了模型在复杂系统中的预测能力。
从头算验证与最终候选材料的筛选： 通过对6种筛选出的二维范德华异质结（BTE-NBSe2、Al2SO-Zn3C2、IA-L2SO-Zn3C2等）进行从头算验证，确定其具备良好的接触性能，并对其隧穿概率进行了进一步评估。最终，筛选出BTE-NBSe2、Al2SO-Zn3C2和IA-L2SO-Zn3C2等三种具有低肖特基势垒和高隧穿概率的候选材料。
该研究的关键发现之一是，通过结合监督学习与无监督学习，成功加速了二维金属-半导体范德华异质结的筛选过程。具体结果如下：
该研究的另一大亮点在于，提出了一种新的方法来解决数据稀缺和数据不平衡问题，通过无监督学习缓解了传统监督学习中的数据挑战，提升了预测的准确性和效率。
这项研究为二维金属-半导体范德华异质结材料的开发提供了新的思路与方法。通过结合机器学习与从头算计算，该研究不仅加速了材料的筛选过程，还提高了材料预测的准确性和效率，降低了传统第一性原理计算的时间和成本。这一方法为高性能电子器件的设计和开发提供了强有力的支持，尤其是在材料的接触性能优化方面具有重要意义。
此外，研究还展示了无监督学习在处理稀缺数据和复杂系统中的优越性，为材料科学领域的机器学习应用提供了宝贵的经验和参考。
该研究的成果不仅对于学术研究具有重要意义，也为实际的电子器件设计提供了应用价值。通过筛选出具有优异接触性能和隧穿特性的二维金属-半导体异质结材料，可以在未来的电子器件中实现更高效的载流子传输，从而推动纳米电子器件的发展。同时，结合机器学习的方法也可以大大降低传统实验和计算中的时间与成本，对于材料设计的快速迭代和优化具有重要推动作用。
未来的研究可以进一步优化机器学习模型，探索更多二维金属-半导体范德华异质结材料的性质，并结合实验验证这些理论预测。同时，考虑到材料的可制造性与稳定性，未来的工作也应关注这些新材料的实际应用与实验验证，推动理论与实践的深度融合。