基于深度学习加速的NEGF形式化方法，用于微观异质结构中量子输运的自动设计

《Scientific Reports》：Deep learning-accelerated NEGF formalism for autonomous design of quantum transport in microscopic heterostructures

　　

摘要

二维材料具有多种独特的电子特性，使其成为下一代纳米电子器件的理想候选材料。因此，准确预测其量子输运行为具有重要的基础研究意义和实用价值。虽然非平衡格林函数方法结合密度泛函理论能够提供可靠的预测结果，但其高昂的计算成本限制了其在大规模或高通量研究中的应用。在此，我们提出了DeePTB-NEGF这一框架，它将基于深度学习的紧束缚哈密顿量（该哈密顿量直接由第一性原理计算得到，即DeePTB方法）与DPNEGF软件包中的高效量子输运模拟技术相结合。我们在五种典型的二维材料上对该方法进行了验证，包括石墨烯、六方氮化硼、二硫化钼、二硫化钨以及黑磷，结果显示其在能带结构和透射光谱方面的预测结果与传统的DFT-NEGF方法高度一致。除了针对单一材料的测试之外，我们还通过研究石墨烯的单轴应变和二硫化钼的双轴应变、在二硫化钼中引入替代掺杂元素，以及石墨烯场效应晶体管的电流-电压特性，展示了该框架的强大适用性。规模分析表明，DeePTB-NEGF能够在几分钟内模拟包含数百个原子的系统，对于石墨烯/六方氮化硼/石墨烯之类的异质结构，其计算速度相比DFT-NEGF可提升700倍以上。这些成果使得DeePTB-NEGF成为用于自主设计微观异质结构中量子输运现象的高效工具，有助于快速开发出新一代二维电子设备。