高熵合金-二维材料异质界面的无监督机器学习设计:揭示MnFeCoNiMg/MoS2电子输运调控新机制

《Journal of Materials Research and Technology》:Unsupervised Machine Learning Guides the Design of MnFeCoNiMg High-Entropy Alloys for Optimizing MoS2 Interface Properties

【字体: 大 中 小 】 时间:2026年04月14日 来源:Journal of Materials Research and Technology 6.2

编辑推荐:

  本研究针对高熵合金(HEA)-二维材料(如MoS2)异质结界面性能优化难题,融合热力学模拟、密度泛函理论(DFT)与图神经网络(GNN),揭示了Co/Ni主导的d轨道杂化对肖特基势垒(Schottky barrier)与载流子迁移率的协同调控机制,实现了超低势垒(0.28 eV)与高迁移率(2.8 cm2/V·s)的突破,为下一代量子器件设计提供新范式。

  
随着量子技术与极端条件电子器件的快速发展,传统二元/三元合金因难以兼顾载流子迁移率、界面稳定性与缺陷耐受性,逐渐无法满足高性能需求。高熵合金(High-Entropy Alloy, HEA)凭借高构型熵(ΔSmix> 1.5R)稳定的固溶体相,展现出独特的电子离域能力与相位稳定性窗口,成为下一代功率器件、量子计算架构的理想候选。然而,HEA与二维(2D)材料(如MoS2)的界面设计面临三大瓶颈:一是熵-性能关系的非单调突变——当构型熵超过临界值(ΔSmix= 1.6–1.8R)时,空位团簇自发形成导致迁移率崩溃;二是生成模型与实验脱节——现有生成对抗网络预测的合成成功率仅为62%,未建模的动力学势垒导致薄膜沉积中出现相分离;三是多目标优化的碎片化——载流子迁移率(μ)、肖特基势垒(Φ)与热力学稳定性之间存在权衡冲突(如经验观测到的dΦ/dμ ≈ 0.15 eV/unit),帕累托前沿可行解不足25%。
为破解这些难题,天津水运工程科学研究院交通运输部水运环境保护重点实验室的Shun Li、Kaixuan Yao等研究人员在《Journal of Materials Research and Technology》发表研究,提出了一种融合热力学建模、量子力学模拟与机器智能的计算-实验框架,系统探究了MnFeCoNiMg HEA与MoS2异质界面,揭示了原子尺度协同效应与性能调控机制。
研究团队首先通过CALPHAD(Calculation of Phase Diagrams)方法生成4200组虚拟合金成分数据集,结合混合焓(ΔHmix)、混合熵(ΔSmix)、原子半径差(δ)、电负性梯度(Δχ)、价电子浓度(VEC)等多维描述符,利用高斯混合模型(Gaussian Mixture Model, GMM)进行无监督聚类,识别成分-性能关联区域。随后采用维也纳从头算模拟包(Vienna Ab-initio Simulation Package, VASP)进行密度泛函理论(Density Functional Theory, DFT)计算,验证界面电子结构特性,并通过图神经网络(Graph Neural Network, GNN)构建高精度预测模型(R2= 0.92 ± 0.02)。进一步引入Wasserstein生成对抗网络(Wasserstein Generative Adversarial Network, WGAN)生成新型HEA成分,结合贝叶斯优化(Bayesian Optimization, BO)与强化学习(Reinforcement Learning, RL)实现多目标逆设计,最终通过磁控溅射与原子力显微镜等技术实验验证预测结果。

3.1. HEA-MoS2界面的原子尺度协同效应

UMAP降维与GMM聚类揭示了四个成分迥异的区域,其中Cluster 2(成分为Mn0.2Fe0.3Co0.15Ni0.25Mg0.1)表现出最显著的结构一致性。DFT投影态密度(Projected Density of States, PDOS)分析发现,Co 3d7/Ni 3d8电子与MoS2界面态发生协同d轨道杂化,在费米能级附近(EF+ 0.2 eV)增强dz2-dz2耦合,而Mn 3d5(高自旋)与Fe 3d6则呈现局域化特征,限制界面电荷转移。这一机制解释了Cluster 2中价电子浓度(VEC)与Co/Ni浓度梯度的强相关性(ρ = 0.92)。
热力学稳定性映射显示,当混合焓为2.8 ± 0.7 kJ/mol、混合熵为18.5 ± 1.2 J/mol·K时,HEA进入“稳定甜区”(稳定性指数>0.85),此时晶格失配应变能被抑制在0.8 eV/atom以下。电负性梯度(Δχ)通过抛物线关系(Φ = 0.68(Δχ)2- 1.24Δχ + 0.89)调控肖特基势垒,当Δχ = 0.8–1.2时,势垒降至0.25–0.35 eV,实现费米能级去钉扎(depinning)。原子半径差(δ)则控制晶格畸变——低于阈值(δ = 18.5 ± 0.3%)时畸变指数稳定在0.15 ± 0.02;超过阈值后指数飙升,引发位错形核。SHAP(SHapley Additive exPlanations)分析量化了描述符贡献:Δχ是迁移率的主导预测因子(SHAP = 3.2 ± 0.15),兼具能带对齐(70%)与位错抑制(30%)双重作用;而ΔSmix的负贡献(-0.9 ± 0.08)揭示了构型熵增加晶格非谐性、提升声子散射的熵致性能约束。

3.2. 机器学习验证与多目标优化策略

GNN模型在四种机器学习算法中表现最优(R2= 0.92 ± 0.02),其显式编码的原子邻域效应成功捕获了界面电荷再分布的非局域动力学。WGAN生成的潜在空间覆盖了完整的成分设计域,92%的生成点位于热力学稳定窗口内。特征交互网络显示,Δχ作为中心枢纽与VEC(交互强度0.85)、ΔSmix(0.78)强耦合,驱动费米能级对齐与声子散射抑制。跨域迁移学习验证了模型的泛化能力:HEA-WS2与HEA-MoSe2的预测准确率分别为85% ± 2.1%与78% ± 3.4%;HEA-石墨烯因π轨道杂化差异准确率降至67% ± 4.8%,但经最大均值差异(Maximum Mean Discrepancy, MMD)潜在空间对齐后,域偏移减少40%。
不确定性感知的主动学习动态调整特征权重:Δχ始终保持主导地位(归一化重要性>0.8),而δ的重要性随循环次数增加133%(从0.30升至0.70),对应位错介导的降解机制。GNN-UP(Uncertainty Propagation)模型的平均绝对误差最低(0.09 ± 0.02 eV),优于XGBoost集成剪枝(0.15 eV)与随机森林保形预测(0.12 eV)。贝叶斯优化在50步内收敛到全局肖特基最小值(0.28 ± 0.03 eV),相比网格搜索减少40%计算量。

3.3. 先进设计与实验验证

强化学习代理在多维化学描述符空间中导航,避开热力学不稳定区,最终锁定最优成分Mn0.18Fe0.27Co0.22Ni0.25Mg0.08。实验合成的该合金相纯度达94%,剩余6%为晶界偏聚的Mg富集金属间相。透射电镜确认HEA-MoS2界面主要为面心立方(FCC)固溶体相,无二次相干扰,确保了输运性能的本征性。多保真度学习框架将计算成本降低至40%的同时,保持了85%的高保真精度。t-SNE投影显示,从MoS2源域到WS2目标域的样式迁移成功将分布散度(Kullback-Leibler Divergence, KLD)从0.32降至0.11,保留了关键的Δχ-VEC关联(迁移后r=0.83)。
SHAP瀑布图揭示Δχ是肖特基势垒降低的主要贡献者(+3.2 eV),占势垒降至0.28 eV的68%;而ΔSmix的负贡献(-0.9 eV)再次印证熵-迁移率的权衡。理论与实验的一致性验证显示,85%的预测值落在±0.07 eV误差带内,异常点集中于高熵(ΔSmix> 1.8 kB/atom)成分。雷达图综合评估表明,GNN-UP模型在迁移率提升(+15%)、势垒降低(-8%)与稳定性(92%)上全面领先,规模化合成试验成品率达88%。

结论与讨论

本研究构建的计算-实验闭环框架,首次实现了HEA-2D界面从原子机制解码到可控制备的全链条突破。核心创新在于:一是提出描述符融合引擎,将构型熵指标与量子电子特征耦合,精准捕捉了熵-电子互作的非线性规律;二是揭示Co/Ni主导的d轨道杂化是界面性能的“分子开关”,成功打破传统金属-半导体接触中迁移率与势垒的权衡魔咒;三是集成WGAN生成设计与贝叶斯优化,将高维成分空间的探索效率提升数倍;四是实验验证了Mn0.18Fe0.27Co0.22Ni0.25Mg0.08合金的优异性能——创纪录的μ×Φ乘积达0.82 eV2,远超常规金属-MoS2界面(0.2–0.6 eV2)与其他HEA体系(0.3–0.6 eV2)。这一成果不仅为熵工程量子材料提供了可转移的设计平台,更通过跨域适应策略,将方法论拓展至WS2、MoSe2等二维材料体系,为未来极端环境电子器件、量子传感与自旋电子学的发展奠定了理论与实验基石。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号