通过高通量第一性原理计算与机器学习加速二维光电八面体氧卤化物的发现

摘要： 传统的试错法是大规模搜寻新型光电材料的障碍。本研究提出一种结合高通量第一性原理计算与机器学习的方法，用于预测具有优异光电性能的二维八面体氧卤化物。我们基于包含300种二维八面体氧卤化物几何与电子性质的密度泛函计算数据集，开发了高效机器学习模型。该模型将5000种二维八面体氧卤化物的光电材料筛选效率显著提升。模型中提出的畸变堆叠八面体因子对机器学习预测起关键作用，成功预测出多种具有适中带隙、高电子迁移率及超高吸收系数的潜在二维光电八面体氧卤化物。