ACS Nano:基于机器学习的2D材料量子点缺陷设计

二维（2D）材料中的工程点缺陷为固态器件提供了有吸引力的平台，这些固态器件利用了量身定制的光电，量子发射和电阻特性。自然产生的缺陷也是不可避免地对材料性能和性能的重要贡献。可能存在的缺陷种类繁多且复杂，这使得通过实验控制，探测或理解原子级缺陷与特性的关系变得颇具挑战性。在这里，我们开发了一种基于深度转移学习，机器学习和第一性原理计算的方法，可以快速预测2D材料中点缺陷的关键属性。我们使用物理信息化的特征化来生成缺陷结构的最小描述，并展示整个材料系统中缺陷的总体情况。我们在层状金属硫属元素化物，六方氮化物和金属卤化物中发现了一百多种有前途的，未开发的掺杂物缺陷结构。这些缺陷是量子发射，电阻转换和神经形态计算的主要候选者。

关键词：machine learning, 2D materials, defects, DFT, quantum emission, resistive switching, neuromorphic computing

原文：DOI: 10.1021/acsnano.0c05267