二维硅砷（SiAs）高精度光学光谱预测：机器学习增强的第一性原理方法

《Results in Chemistry》：High-accuracy optical spectra prediction in 2D SiAs: A machine learning-enhanced first-principles approach

　　

研究提出了一种机器学习增强的计算框架，用于预测二维硅砷（SiAs）的光学性质。通过结合第一性原理密度泛函理论（DFT）计算与人工神经网络（ANNs）、决策树（DTs）和随机森林回归（RFR），实现了对吸收光谱与光学电导率的精确建模。结果表明，RFR具有最高的定量精度（R²=1.000，MAE =0.0005），而ANNs则能够提供在物理上更为真实的连续光谱。尽管DTs具有一定的可解释性优势，但其泛化性能劣于其他两类方法。机器学习模型成功再现了DFT计算中观察到的全部关键特征，包括位于5–6 eV的显著吸收峰。对训练动力学的详细分析表明，ANN在500个训练轮次（epochs）内保持稳定收敛，而RFR的集成方法有效补偿了单个DT固有的过拟合倾向。该DFT-ML混合方法不仅为SiAs的光电子（optoelectronic）性质提供了新的认识，而且建立了一种可推广的工作流程，可用于加速具有定制光学响应的二维材料发现。

该论文发表于《Results in Chemistry》，围绕二维硅砷（SiAs）光学性质的高精度预测展开，核心目标是将第一性原理计算与机器学习相结合，建立一种兼具准确性、效率与可迁移性的光谱预测框架。研究背景在于，二维材料因其显著的量子限域效应、表面主导行为以及优异的电子、光学和力学特性，已成为新一代纳电子与光电子器件研究的关键对象。SiAs作为一种兼具硅基半导体技术基础与范德华层状材料特征的二维体系，被认为在光伏、光探测、低功耗电子器件等方向具有潜力。然而，现有研究主要集中于其结构稳定性与电子结构，对其在紫外—可见能区内频率依赖的吸收行为与光学电导率缺乏系统研究。与此同时，基于密度泛函理论（DFT，density functional theory）的介电函数和光谱计算虽然可靠，但往往依赖高密度k点采样和精细能量分辨率，计算代价高，难以适应高通量筛选与快速器件设计需求。因此，发展一种能够从第一性原理数据中学习复杂光谱函数、并快速重建二维SiAs光学响应的机器学习框架，具有明确的科学价值和方法学意义。

针对上述问题，研究人员首先利用第一性原理方法系统计算了单层SiAs的结构、电子性质以及光学响应，随后构建并比较了三类监督学习模型，即人工神经网络（ANN，artificial neural network）、决策树（DT，decision tree）和随机森林回归（RFR，random forest regression），以预测吸收系数与光学电导率谱。研究结论表明，三种模型均可较好重构DFT得到的目标光谱；其中，RFR在点对点数值预测上精度最高，ANN在生成平滑且物理上更合理的连续谱线方面表现最佳，而DT虽具备一定可解释性，但存在更明显的分段性与过拟合倾向。论文的重要意义在于，不仅首次对二维SiAs的光吸收和光学电导响应进行了较完整的第一性原理刻画，而且提出了一条可推广到其他二维半导体的DFT-ML一体化预测流程，为二维光电子材料的快速筛选与性质优化提供了方法基础。

研究使用的关键技术方法主要包括以下几类。其一，采用SIESTA程序包开展DFT计算，并使用BLYP交换-相关泛函，在24 × 24 × 1的Monkhorst–Pack k网格、300 Ry实空间截断能和0.05 eV高斯展宽条件下计算介电函数、吸收系数与光学电导率。其二，以0–50 eV能量范围内步长0.0125 eV的4000个离散点构建数据集，并对能量及光学响应进行归一化与标准化处理，按80/20划分训练集和测试集。其三，分别建立ANN、DT和RFR模型，并通过5折交叉验证和网格搜索优化超参数，使用MAE、RMSE和R²评价预测性能。

在研究结果部分，论文首先给出了“3.1. Geometry structure of 2D SiAs”的结果总结。研究人员通过结构建模与第一性原理优化展示了二维SiAs的层状几何特征，其结构由交替排列的Si与As原子层构成，体现出明显的二维有序堆垛。文中报告层间距为24 ?，SiAs键长为2.41 ?，SiSi键长为2.35 ?，AsSiAs键角为116.14°。这些结构参数为后续理解其电子态分布与光学跃迁奠定了基础。随后，研究还给出了总态密度（DOS，density of states）和能带结构的计算结果，指出该体系表现出半导体特征，费米能级附近的电子态分布与带结构色散为其光学响应提供了电子结构基础。

接着，在光学性质分析中，研究人员依据BLYP计算结果讨论了SiAs的吸收系数与光学电导率谱。吸收光谱显示，二维SiAs在约3.5–4 eV处出现明显吸收起始，对应基本吸收边；在5–6 eV范围内出现宽而强的主吸收峰，其最大吸收系数超过9×10⁵ cm^?1，对应深紫外（DUV，deep ultraviolet）波段约200–250 nm。文中进一步结合DOS与能带特征分析指出，该强吸收峰来源于价带和导带中若干近平行能带段之间的垂直跃迁，高联合态密度以及有利的光学矩阵元共同导致了这一显著特征。相应地，光学电导率实部σ(ω)也在5–6 eV附近出现峰值，最大约为5.5×10⁵ (Ωm)^?1，与吸收峰位置一致，说明相同的电子跃迁过程同时主导了强吸收和导电光响应。

在“3.2. Different ML algorithms for predicting the absorption coefficient”部分，研究人员将ANN、DT与RFR用于吸收光谱建模，并评估不同算法对DFT结果的重现能力。在“3.2.1. Accuracy of ML models in reproducing DFT-calculated absorption spectra”中，通过与DFT谱线直接对比，发现RFR在峰位、峰强和整体谱形重建方面与参考结果最一致；DT能抓住主要光谱特征，但预测曲线呈现阶梯状；ANN能够再现总体趋势与吸收起始，但在局域峰值精度方面略逊于树模型。

在“3.2.2. Comparative analysis of machine learning models VS DFT”中，研究人员结合回归图和误差指标进行定量比较。表中结果显示，RFR的MAE为5.0×10^?4，RMSE为1.5×10^?3，R²=1.0000；DT的R²=0.9999；ANN的R²=0.9982。该部分指出，树模型在点对点精度上具有优势，但连续函数关系的学习能力与光谱物理平滑性方面，ANN更具代表性。

在“3.2.3. Analysis of machine learning model training and generalization”中，研究人员通过学习曲线分析模型训练与泛化行为。ANN在500个epochs内训练误差与验证误差均快速下降并稳定收敛，未出现明显分离，表明其泛化性能较好。DT则表现出典型高方差特征：训练误差极低，但验证误差始终明显偏高，说明过拟合较强。RFR借助集成学习（ensemble learning）缓解了单棵决策树的高方差问题，训练误差与验证误差间隔缩小，泛化优于DT，但仍保留了树模型的某些特征。

在“3.2.4. Impact of hyperparameter selection on ANN training and prediction accuracy”中，论文系统比较了学习率、训练轮次与隐藏层数对ANN性能的影响。结果显示，较小学习率0.0001通常带来更优性能，R²最高可达0.9994，表明渐进式权重更新更有利于稳定收敛；较大学习率0.01在部分较深网络中会导致性能明显下降。训练轮次从300增加到500通常能改善性能，但400轮之后收益趋于减弱。网络深度方面，5层隐藏层结构表现相对稳健，而更深结构需要更审慎的超参数调节以保持稳定训练。

在“3.3. Machine-learning approaches for modeling optical conductivity”部分，研究人员采用相同的三类模型预测光学电导率谱，以验证该框架在另一类光学响应上的适用性。在“3.3.1. Evaluation of ML model performance against DFT conductivity spectra”中，三种模型均成功再现了电导率谱的整体轮廓以及5 eV附近的主峰，其中RFR与DFT结果几乎重合，DT也能较好捕捉主要峰位和趋势，但存在轻微阶梯状伪影，ANN则生成平滑连续的电导曲线。

在“3.3.2. Quantitative comparison of ML-based predictions and DFT outcomes”中，定量评价进一步证明了RFR在电导率预测中的领先表现。表中给出的指标为：ANN的MAE为0.0042，RMSE为0.0072，R²=0.9991；RFR的MAE为0.0005，RMSE为0.0015，R²=1.0000；DT的MAE为0.0009，RMSE为0.0026，R²=0.9999。该部分再次强调，RFR在数值插值精度上最强，而ANN更符合连续物理谱函数建模需求。

在“3.3.3. Training dynamics and generalization of machine-learning models”中，研究人员对光学电导率预测过程中的学习行为进行了进一步诊断。ANN训练中，训练集与验证集的MAE和MSE在初期快速下降后趋于平稳，显示出稳健学习和较低过拟合风险。DT在不同训练集比例下仍表现出训练误差极低而验证误差偏高的高方差模式。RFR则通过多树集成降低了这一差距，表现出更好的泛化能力，但当训练数据比例增加到一定程度后，DT和RFR都出现性能提升趋于平台化的现象。

讨论部分的核心可概括为：该研究揭示了不同机器学习模型在复杂光谱预测任务中的本质差异。DT具有良好的可解释性，但容易记忆训练数据，导致预测曲线分段化和物理连续性不足；RFR通过袋装法（bagging）集成多棵随机树，在不显著牺牲灵活性的前提下显著降低了方差，因此获得最优数值指标与较强鲁棒性；ANN虽然在离散点误差上略逊于RFR，但其连续激活函数和全局拟合机制使其更适合重建具有平滑变化规律的物理谱线。论文据此指出，模型选择应与研究目标匹配：若重视高保真插值与快速定量预测，RFR更具优势；若更关注物理合理的连续响应函数表达，则ANN更为合适。整体而言，该研究不仅验证了机器学习对DFT光谱的有效替代潜力，也强调了“数值精度”与“物理真实性”之间的区别，这对计算光谱学和材料信息学具有方法论价值。

论文结论部分可译为：本研究展示了第一性原理DFT计算与机器学习方法在二维SiAs光学性质预测与分析中的强协同作用。综合研究得到以下主要结论。首先，所构建的机器学习模型——ANN、DT和RFR——均能够成功重现二维SiAs的DFT计算光吸收谱和光学电导率谱，且各自具有不同优势。RFR方法实现了卓越的定量精度（R²=1.000），而ANN在连续光谱特征预测中表现出更优的物理一致性。DT模型尽管具有较强可解释性，但由于其固有的分段特征，在泛化方面存在局限。其次，对训练动力学的详细分析揭示了这些模型在学习与泛化机制上的根本差异。ANN在较长训练轮次中表现出稳定收敛，而RFR的集成特性有效缓解了单个决策树中的过拟合倾向。这些认识对于机器学习未来在计算材料科学中的应用具有重要价值。该方法的成功并不限于SiAs这一特定体系。所建立的框架构成了一种可推广的工作流程，可方便地应用于其他二维材料体系，从而显著加速具有定制光电子性质材料的发现与优化。通过弥合高计算代价量子力学计算与高效数据驱动建模之间的鸿沟，该研究为高通量材料筛选和反向设计开辟了新的可能性。未来工作将聚焦于将该方法扩展至温度依赖效应、缺陷工程以及异质结构构型。公开发布的数据集和训练模型也将有助于推动这一机器学习增强材料发现新兴领域的进一步发展。