Maschinenlernunterstützte präzise Vorhersagen der Bandlücken von funktionalisiertem MXene

MXene sind zweidimensionale (2D) Übergangsmetallcarbide und -nitrate und sind in reinem Zustand unweigerlich metallic. Während die spontane Passivierung ihrer reaktiven nackten Oberflächen beispiellose Funktionalitäten verleiht, erschwert die dadurch vielefache Erhöhung der möglichen funktionalisierten MXene ihre Charakterisierung. Hier untersuchen wir die elektronischen Eigenschaften dieser umfangreichen Materialklasse, indem wir die Bandlücken mithilfe statistischer Lernmethoden genau schätzen. Unter Verwendung leicht verfügbarer Eigenschaften des MXene, nämlich Siedepunkte und Schmelzpunkte, Atomradien, Phasen, Bindungslängen usw. als Eingabefunktionen wurden Modelle unter Verwendung von Kernel-Ridge (KRR), Support Vector (SVR), Gauß-Prozess (GPR) und Bootstrap-Aggregationsregressionsalgorithmen entwickelt. Unter diesen sagt das GPR-Modell die Bandlücke mit dem niedrigsten Root-Mean-Squared Error (RMSE) von 0,14 eV innerhalb von Sekunden voraus. Am wichtigsten ist, dass diese Modelle die Perdew–Burke–Ernzerhof (PBE) Bandlücke nicht als Funktion verwenden. Unsere Ergebnisse zeigen, dass Maschinenlernmodelle das Problem der Unterschätzung der Bandlücke lokaler und semilokaler Funktionale, die in Dichtefunktionaltheorie (DFT)-Berechnungen verwendet werden, umgehen können, ohne anschließende Korrektur unter Verwendung des zeitaufwändigen GW-Ansatzes.