加速挖掘二维范德华异质结：结合有监督和无监督学习的研究

研究作者、机构及发表信息

本研究由An Chen, Zhilong Wang, Xu Zhang, Letian Chen, Xu Hu, Yanqiang Han, Junfei Cai, Zhen Zhou和Jinjin Li共同完成。研究涉及的机构包括上海交通大学、郑州大学和南开大学等单位，文章发表在《Chemistry of Materials》期刊上，于2022年6月14日发布，文章标题为“Accelerated Mining of 2D Van der Waals Heterojunctions by Integrating Supervised and Unsupervised Learning”，DOI为10.1021/acs.chemmater.2c00641。

研究背景与目的

金属-半导体（M−S）接口上的肖特基势垒（Schottky Barrier Height, SBH）是影响电子器件性能的关键因素，较高的肖特基势垒会显著提高接触电阻，从而降低器件性能（如场效应电子迁移率、开关电流比等）。传统的降低肖特基势垒的方法，如通过改变金属电极的功函数实现肖特基−Mott调控，因费米能级钉扎效应（Fermi Level Pinning, FLP）的存在而难以实现。尤其是在M−S界面处的金属诱导间隙态（Metal-Induced Gap States, MIGS）及缺陷态（Disorder-Induced Gap States, DIGS）导致了界面电子态复杂化。

二维材料因其范德华（van der Waals, VDW）约束特性，表现出弱界面相互作用和优异的量子性能，能够减弱FLP效应，从而降低肖特基势垒甚至实现低接触电阻的欧姆接触（Ohmic Contact）。目前，实验与传统的理论计算方法在探索此类系统时通常资源耗费颇高且效率较低。因此，研究的目标是提出一种高效的新范式，利用机器学习方法结合第一性原理计算，快速筛选出满足特定性能要求的二维范德华异质结系统。

研究方法与流程

研究工作通过结合第一性原理密度泛函理论（Density Functional Theory, DFT）计算与机器学习（Machine Learning, ML）方法，对二维范德华M−S异质结构进行了系统挖掘，研究流程包括以下五个步骤：

1. 二维范德华异质结构设计与数据生成
   从周期表中生成了包含1092种潜在二维金属-半导体异质结（Heterojunctions），所包含的半导体材料为27种二维半导体硫族化合物（比如InSe），而金属材料包括石墨烯、13种过渡金属二硫化物以及金属碳化物。最初随机选取了137种异质结构进行计算，以构建机器学习模型的初始数据集。

2. 高通量计算与接触性能分析
   基于137种二维范德华异质结通过DFT计算初步筛选出27种具有良好欧姆接触特性的结构。这些结构具有合适的界面距离，以及较小的肖特基势垒或负值的肖特基势垒（即实现欧姆接触）。其中进一步引入了隧穿概率（Tunneling Probability, TP）作为二次筛选的性能指标，选出了性能更优的几种候选结构。

3. 构建有监督学习模型
   基于已有数据建立了一种基于XGBoost分类算法的预测模型，用于快速预测额外二维范德华异质结的接触性能。模型通过10倍交叉验证测试后，展示了高精度的分类效果，并快速筛选出295种低接触电阻的候选异质结。

4. 引入无监督学习算法
   有监督学习模型在不平衡和稀疏数据集上的表现受到限制，因此进一步构建了基于层次聚类（Agglomerative Hierarchical Clustering, AHC）的无监督学习算法模型，对“优异性能”的子数据集进行聚类分析，最终从295种低接触电阻候选中筛选出了11种具有高TP和欧姆接触特性的理想候选。

5. DFT验证是否满足预期
   对从ML模型中预测的11种未知候选结构进行进一步DFT验证，最终确认其中5种异质结构（如BTe−NbSe₂和Al₂SO−Zn₃C₂）同时具备欧姆接触和较高隧穿概率。

研究主要结果

1. 二维范德华异质结的低接触电阻
   研究通过构建二维范德华异质结构，成功实现了具有减弱FLP效应并降低肖特基势垒的系统。27种初筛的异质结构表明，通过削弱界面诱导态（MIGS/DIGS）并优化界面偶极矩，可以有效实现欧姆接触。

2. 机器学习加速筛选
   有监督学习模型能够高效快速预测系统的接触性能。在筛选295种低接触电阻候选的同时，无监督学习通过探索复杂系统的整体分布，进一步筛选出更小的子集并优化性能排序。

3. 高TP性能候选的挖掘
   无监督模型中聚类结果最高效的一组异质结候选中，进一步通过DFT验证确定了三种结构的高性能，包括优良的接触电阻和最高超过50%的隧穿概率。

研究结论与意义

研究通过结合初始DFT和机器学习的方法，建立了一种集成的快速材料筛选框架。此种研究范式快速挖掘了二维范德华异质结构的潜在应用可能性，实现了在高效预测分子系统性能时的应用价值。此类高性能结构可作为未来纳米电子设备中关键材料，并为后续实验工作提供了重要的设计指导。

此外，该工作证实了无监督学习在数据稀缺的小样本数据集上的有效性，为进一步挖掘其他复杂材料系统提供了新思路。

研究亮点

1. 快速筛选模型：研究以机器学习显著加速了传统DFT计算下性能材料的筛选效率。
2. 创新性能参数：引入隧穿概率作为一种新意义上的高效性能筛选标准。
3. 欧姆接触的实现：首次从二维范德华异质结的角度明确实现减弱FLP效应的意义，为未来电子器件的发展提供了关键材料和理论支撑。

以上为本研究的综合报告与解析。