本文介绍了一项关于基于g-GaN的二维范德华（van der Waals, vdW）异质结的光催化性能预测模型的研究。该研究由Ziyue Zhao、Yang Shen、Hua Zhu、Qihao Zhang、Yijun Zhang、Xiaodong Yang、Pei Liang和Liang Chen等作者共同完成，发表在2023年9月的《Applied Surface Science》期刊上。研究团队来自中国计量大学光电技术研究所、浙江大学材料科学与工程学院以及石河子大学物理系。

研究背景

随着2004年石墨烯的发现，二维材料的研究逐渐成为热点。二维材料因其独特的物理和化学性质，在光电子器件、传感器、太阳能电池和光催化等领域展现出广泛的应用前景。特别是在光催化领域，二维材料由于其较大的比表面积和较短的载流子迁移距离，能够有效提高光催化效率。然而，由于候选材料众多且界面效应复杂，寻找合适的光催化异质结组合成为一大挑战。为此，研究团队提出了一种基于机器学习的预测模型，旨在快速筛选适用于光催化水分解的g-GaN基二维范德华异质结。

研究流程

研究主要分为以下几个步骤：

1. 数据准备与假设提出
   研究团队基于计算二维材料数据库（C2DB）中的约1000条材料数据，提出了一个简单的能带偏移假设，并构建了g-GaN基二维范德华异质结类型的机器学习预测模型。该假设认为，异质结的能带类型可以通过两种材料的费米能级和带隙差异来确定。

2. 特征工程与模型构建
   为了构建预测模型，研究团队采用了多种特征描述符，包括化学组成特征、结构特征和计算特征。通过特征选择，最终确定了20个关键特征用于模型训练。研究团队还采用了SMOTE技术（Synthetic Minority Over-sampling Technique）来处理数据不平衡问题，确保模型能够准确预测少数类（Type II异质结）。

3. 机器学习算法选择与验证
   研究团队比较了多种机器学习算法，包括支持向量机（SVM）、AdaBoost、随机森林（Random Forest）和XGBoost。最终，XGBoost算法在分类任务中表现最佳，其AUC值达到0.93，表明模型具有较高的预测准确性。

4. 第一性原理计算验证
   为了验证能带偏移假设的合理性，研究团队对部分Type II异质结进行了第一性原理计算。计算结果表明，假设在不含第一过渡周期元素的异质结中成立，进一步支持了模型的可靠性。

5. 带隙预测模型的构建
   在分类模型的基础上，研究团队进一步构建了g-GaN基二维范德华异质结带隙值的回归预测模型。通过引入高斯噪声和扩展数据集，模型的平均绝对误差（MAE）达到0.24 eV，表现出较高的预测精度。

主要结果

1. 分类模型结果
   分类模型的AUC值为0.93，表明模型能够有效区分Type I和Type II异质结。通过第一性原理计算验证，假设在不含第一过渡周期元素的异质结中成立。

2. 带隙预测模型结果
   带隙预测模型的MAE为0.24 eV，表明模型能够较为准确地预测异质结的带隙值。这一结果为光催化水分解反应中的异质结筛选提供了重要参考。

结论与意义

本研究提出了一种基于机器学习的g-GaN基二维范德华异质结类型和带隙值的预测模型，显著提高了光催化异质结的研究效率。通过能带偏移假设和第一性原理计算验证，研究团队证明了该假设在光催化领域的合理性。此外，带隙预测模型的构建为光催化水分解反应中的异质结筛选提供了重要工具。

研究亮点

1. 创新性
   本研究首次将机器学习技术应用于g-GaN基二维范德华异质结的类型和带隙值预测，提出了一种新的能带偏移假设，并通过第一性原理计算验证了其合理性。

2. 高效性
   通过机器学习模型，研究团队能够在短时间内筛选出适用于光催化水分解的异质结组合，显著减少了传统实验和计算的时间成本。

3. 广泛适用性
   该模型不仅适用于二元异质结，还可以扩展到三元和四元异质结的研究，为未来的材料计算和实验合成提供了重要参考。

总结

本研究通过机器学习技术，成功构建了g-GaN基二维范德华异质结的类型和带隙值预测模型，为光催化水分解反应中的异质结筛选提供了高效的工具。研究结果不仅具有重要的科学价值，还为未来的材料设计和实验研究提供了新的思路。