基于迁移学习的二维单层材料带隙精准预测新策略

针对GW计算耗时且难以高通量预测二维材料带隙的难题，武汉大学团队创新性地提出基于PBE泛函预训练神经网络的迁移学习（TL）模型。该模型仅需少量GW计算数据即可实现带隙精准预测，Pearson相关系数提升至97%（MAE降至0.27 eV），为高通量筛选功能材料提供了高效工具，成果发表于《Materials Today Physics》。

　　

在材料科学领域，二维单层材料因其独特的电子结构成为研究热点。带隙（band gap）作为决定材料光电性能的关键参数，其精准预测对设计太阳能电池、热电转换器等器件至关重要。传统密度泛函理论（DFT）采用Perdew-Burke-Ernzerhof（PBE）泛函计算效率高但严重低估带隙值，而考虑多体效应的GW近似虽准确却计算成本高昂，难以应用于大规模材料筛选。尽管机器学习（ML）已用于预测体材料带隙，但现有模型多基于PBE数据且局限于特定材料体系，无法满足二维材料多样性需求。

武汉大学研究团队在《Materials Today Physics》发表的研究中，开创性地将迁移学习（Transfer Learning, TL）引入二维材料带隙预测领域。他们从计算二维材料数据库（C2DB）获取2915种单层材料的PBE带隙数据预训练神经网络（NN），再结合少量GW计算数据微调模型，最终构建出精度显著提升的TL预测框架。

关键技术方法
研究采用XENONPY包生成290个成分描述符，基于58种元素性质构建预训练数据集。通过五折交叉验证优化NN架构，采用Pearson相关系数和平均绝对误差（MAE）评估性能。TL阶段使用GW校正的带隙数据微调模型，最终对C2DB中非零PBE带隙材料进行高通量预测。

研究结果

预训练模型的建立
通过分析2915种单层材料的PBE带隙分布（0.01-8.41 eV），预训练NN模型在测试集上达到71%的Pearson相关系数。值得注意的是，约70%材料带隙集中在0.01-2.0 eV区间，为后续TL提供了数据基础。

迁移学习的性能突破
TL模型展现出惊人的性能提升：测试集的Pearson系数从71%跃升至97%，MAE从0.55 eV降至0.27 eV。对比支持向量回归（SVR）、随机森林（RF）等传统ML算法，TL模型在有限GW数据下仍保持最优预测能力，验证了知识迁移的有效性。

高通量筛选应用
模型成功预测了C2DB中2915种材料的GW带隙，筛选出适用于光伏（1.1-1.3 eV）和热电（<1.0 eV）应用的候选材料。特别值得注意的是，TL模型展现出优异的可解释性，能识别影响带隙的关键描述符。

结论与意义
该研究通过TL策略巧妙解决了GW计算数据稀缺与二维材料多样性之间的矛盾。相比传统ML，基于PBE预训练的TL模型不仅精度显著提高，还具备跨材料体系的泛化能力。研究者公开的预测数据集为功能材料设计提供了宝贵资源，其方法论可拓展至其他物性预测领域。这项工作标志着计算材料学与人工智能的深度融合，为加速新材料发现提供了范式转变。