基于迁移学习方法对MoS2晶体管电极接触特性预测的研究

《Nanoscale》：A study on the prediction of MoS2 transistor electrode contact characteristics based on transfer learning methods

数据稀缺制约机器学习在材料发现中的应用，本研究提出跨尺度混合迁移学习框架，结合第一性原理计算与二维材料数据库，利用PBE功能计算的大规模电势高度数据实现高精度预测（MSE<0.04 eV），加速MoS?晶体管电极材料筛选。

　　

数据稀缺是机器学习在材料发现领域应用中的关键瓶颈之一。在这一挑战中，迁移学习可以利用现有的大规模、一致性强的数据来辅助对小规模数据集进行属性预测，从而为材料开发开辟更多可能性。随着多维材料的发现以及晶体管微型化带来的挑战，可用于晶体管的电极材料种类极为丰富，但通过传统实验方法很难对这些材料进行全面探索。因此，鉴于电极接触特性数据的匮乏，本研究提出了一个跨尺度的混合迁移学习框架，该框架将第一性原理计算与二维材料数据库相结合。通过利用基于PBE泛函计算获得的大规模电位高度数据，该框架能够实现对DFT-1/2方法和HSE06泛函计算结果的高精度预测，其均方误差（MSE）控制在0.04 eV以内。研究结果表明，这一学习框架加速了MoS?电极材料的筛选过程，为新型电子设备的研发提供了重要的理论指导和技术支持。