通过数据驱动的光元素替代方法对拓扑材料中的半导体进行理论预测

《Science Bulletin》：Theoretical prediction of semiconductors by data driven light-element substitution in topological materials

　　

周彦松|赵兴刚|周坤|傅宇豪|王晓宇|李英健|建淼淼|何欣|David J. Singh|张丽军

摘要

高性能半导体的合理设计——尤其是那些具有可调带隙、高载流子迁移率和稳定性的半导体——仍然是材料科学中的一个基本挑战，因为传统的试错方法难以高效地探索庞大的化学空间。受带反转拓扑材料启发的我们，提出了一种集成了高通量计算和机器学习的工作流程，能够快速发现以前未被探索过的半导体。该流程专注于由带反转产生的非抛物线形能带结构，从而筛选出具有高迁移率和缺陷容忍性的化合物。我们从含有重IVA-VIIA元素的拓扑材料出发，通过轻元素替代生成了数千种晶体结构——这是一种旨在超越传统成分范围来设计新半导体的策略。利用高通量计算，我们计算了关键的电子和稳定性参数，并在数据的50%子集上训练了一个分类机器学习模型，以预测剩余候选材料的形成能。通过这种工作流程，我们发现了14种具有光伏和热电应用潜力的新稳定半导体候选材料。这些发现表明，基于数据的轻元素替代方法能够在传统化学空间之外设计出有前景的半导体。