用于低功耗电子的冷金属的生成式逆向设计

《Materials & Design》：Generative inverse design of cold metals for low-power electronics

　　

MatterGPT使冷金属设计超越了数据库约束的筛选。一个统一的带边距离描述符（band-edge-distance descriptor）解决了p型/n型标签不平衡问题。生成式逆向设计产生了257种不在Materials Project数据库中的冷金属。选中的候选材料表现出动力学稳定性和与接触相关的功函数。

**论文解读**

**研究背景与问题**
互补金属氧化物半导体（CMOS）技术的持续缩放与性能提升中，功率耗散已成为关键瓶颈。传统金属氧化物半导体场效应晶体管（MOSFET）的热电子发射机制在室温下将亚阈值摆幅（SS）限制在约60 mV/decade，即“玻尔兹曼暴政”。为突破此限制，冷源场效应晶体管（CSFET）通过采用一种称为“冷金属”（cold metal）的源极接触材料，利用其内在电子结构过滤高能载流子，从而在室温下实现低于60 mV/decade的SS。冷金属的定义是：在费米能级（E_F）附近具有固有能隙的金属材料，根据能隙相对于E_F的位置分为p型（能隙位于E_F之上）、n型（能隙位于E_F之下）和np型（E_F两侧均有能隙）。此前的研究通过高通量计算筛选了Materials Project数据库中的133,693个条目，识别出252个三维冷金属，但该方法受限于数据库已有材料。生成式人工智能（特别是基于Transformer的大语言模型）为材料发现提供了新途径，但现有方法在表示方式和精度上存在局限。本研究旨在通过生成式逆向设计，突破数据库约束，扩展冷金属的候选化学空间。

**研究内容与结论**
研究人员采用MatterGPT框架，这是一个基于SLICES（Simplified Line-Input Crystal-Encoding System）表示的自回归Transformer模型，用于冷金属的逆设计。为解决冷金属样本稀少导致的标签不平衡问题，引入了统一物理描述符——最小带边距离E_Δ,min，将p型和n型冷金属特征整合为单一学习目标。模型在包含26,309个金属材料的训练集上训练，以能量高于凸包（E_hull）和E_Δ,min为条件属性。通过属性条件生成，获得了148,506个独特的SLICES候选序列，其中92.1%成功重建为三维晶体结构。经对称性、唯一性和新颖性筛选后，剩余10,298个候选结构进行高通量密度泛函理论（DFT）验证，最终确认257个不在Materials Project数据库中的新冷金属，其近凸包稳定性（E_hull < 0.25 eV/atom）和50–500 meV范围的带边能隙符合冷金属标准。对代表性p型候选材料CsBaF₄和RbBaSe₂的声子色散计算确认了动力学稳定性，电子结构分析验证了其p型冷金属特征，功函数计算值分别为4.07 eV和3.42 eV，与先前报道的冷金属（如ZrRuSb的3.6 eV）相当，表明其在冷电子注入应用中的潜力。该研究证实了生成式工作流能够有效扩展冷金属的化学空间，为低功耗电子器件提供了新的候选材料，论文发表在《Materials》。

**关键技术方法**
研究采用以下主要关键技术方法：（1）SLICES表示：将三维晶体结构转化为紧凑、可逆且对平移、旋转和原子排列不变性的字符串，适用于自回归生成模型。（2）MatterGPT架构：基于12层Transformer解码器，输入包含SLICES令牌、属性嵌入和晶体系统类型嵌入，通过掩码多头自注意力机制实现条件生成，训练采用交叉熵损失和Adam优化器。（3）高通量DFT计算：使用VASP（Vienna Ab initio Simulation Package）进行结构优化和电子性质计算，采用PBE泛函和PAW方法，平面波截断能520 eV；声子色散通过Phonopy的有限位移法计算；功函数通过平板模型结合平面平均静电势计算。样本来源为Materials Project数据库，生成模型训练集包含26,309个金属材料。

**研究结果**
**3.1 冷金属筛选**
研究人员从Materials Project数据库提取金属材料，经四步筛选（保留三维结构、原子序数≤86、排除非金属、每晶胞原子数≤20）获得26,309个金属材料。通过计算E_CD（导带边距离）和E_VD（价带边距离），发现原始分布严重不平衡（E_CD多集中于0，E_VD多集中于>3 eV）。为此定义统一描述符E_Δ,min = min(E_CD, E_VD，排除零值)，该描述符在0–3 eV范围内提供更密集的覆盖，尤其适用于冷金属筛选的0.05–0.5 eV窗口。对比实验表明，以E_Δ,min为训练目标时，生成结构的唯一性（84.40%）和新颖性（41.04%）均优于单独使用E_CD或E_VD。

**3.2 新冷金属材料的发现**
利用训练好的MatterGPT模型，以E_hull和E_Δ,min（50–500 meV）为条件生成148,506个SLICES字符串，经SLI2Cry算法重建获得136,766个有效结构（成功率92.1%）。经三阶段筛选（排除P1空间群、去重、与Materials Project数据库比对新颖性）后，10,298个候选结构进行高通量DFT计算。保留E_hull < 0.25 eV/atom的候选，共257个新冷金属，其中83个（32.3%）E_hull < 0.10 eV/atom，其余174个为探索性候选。这些材料涵盖71种元素和所有7个晶系，包含复杂卤化物、氟化物、硫属化物和半赫斯勒金属间化合物等化学家族，其合成路线与已知原型类似。验证命中率2.50%，与先前数据库筛选的2.14%相当，且所有257个冷金属均不在Materials Project数据库中。

**3.3 动力学稳定性验证与电子结构分析**
选取两个代表性p型候选材料CsBaF₄（E_CD = 0.14 eV, E_hull = 0.08 eV/atom）和RbBaSe₂（E_CD = 0.27 eV, E_hull = 0.22 eV/atom）进行深入验证。声子色散计算显示整个布里渊区无虚频率，确认0 K动力学稳定性；HSE06杂化泛函计算表明近E_F带边能隙仍保持在50–500 meV目标窗口内。功函数计算：CsBaF₄为4.07 eV，RbBaSe₂为3.42 eV，均处于冷电子注入的合适范围，与先前报道的ZrRuSb（3.6 eV）接近，提示其用于陡峭亚阈值摆幅晶体管和低功耗电子器件的潜力。此外，对另外三个候选材料的声子验证和500 K下的AIMD模拟进一步支持了动力学稳定性。

**总结与结论**
研究提出了一种通过生成式人工智能进行三维冷金属逆向设计的自动化工作流，以统一描述符E_Δ,min应对稀疏训练数据挑战，使MatterGPT模型高效生成目标材料。通过条件生成和多阶段筛选，获得257个具有近凸包稳定性的新冷金属，均不在Materials Project数据库中。第一性原理验证确认了代表性材料的动力学稳定性和冷金属电子结构特征，功函数与先前研究一致。该工作扩展了冷金属候选库，并为稀疏目标属性空间的逆设计提供了可行计算框架。未来方向包括：最稳定候选材料的实验合成与界面表征；通过更大晶体数据集预训练和迭代DFT循环改进生成工作流；通过量子输运模拟（如NEGF计算）对冷-源晶体管性能进行器件级评估，以将带边和功函数描述符转化为转移特性和亚阈值摆幅预测。