研究目的
利用高通量第一性原理计算与机器学习相结合的方法,加速发现具有更优性能的二维光电八面体氧卤化物。
研究成果
该研究成功开发了一种结合高通量第一性原理计算与机器学习的方法,用于发现性能优异的光电有机-无机杂化材料(OOHs)。筛选出六种具有合适带隙和高载流子迁移率的稳定OOHs,其中三种(Bi2Se2Br2、Bi2Se2BrI和Bi2Se2I2)展现出显著的吸收能力,有望成为电子器件和光伏器件的候选材料。
研究不足
该研究的局限性在于密度泛函理论(DFT)计算的计算成本较高,以及需要更大的数据集来提高机器学习预测的准确性,特别是对于像含混合元素的OOHs这样的复杂体系。