摘要 此项研究通过贝叶斯优化和最小绝对收缩选择算子（LASSO）技术结合第一性原理计算，探索了 Fe/无序MgAl2O4（MAO）/Fe（001）磁性隧道结（MTJ）的隧道磁电阻（TMR）效应。通过对 1728 个候选结构进行贝叶斯优化，得到了 TMR 最大的最优结构，在 300 次结构计算中达到收敛。对所得结构的表征表明，两个铝原子之间的面内距离在决定 TMR 方面起着重要作用。由于无序 MAO 的 Al-Al 距离对复数能带结构的虚部有显著影响，Fe/无序MAO/Fe-MTJs 中 Δ1 态的多数自旋电导随着面内 Al-Al 距离的增加而增加，导致 TMR 增大。此外，我们还发现，当 [001] 面上 Al、Mg 和空位的数量之比为 2:1:1 时，TMR 趋于大，这表明 Al 原子位置的控制对于提高无序 MAO 的 MTJ 中的 TMR 至关重要。本文揭示了材料信息学结合第一性原理输运计算在基于 MTJs 的高性能自旋电子器件设计中的有效性和优越性。         原文 S. Ju, et al. Machine learning analysis of tunnel magnetoresistance of […]

概述 光伏材料与器件是实现太阳光能直接转化为电能的一种重要途径，更广泛的光电转换材料与器件则可以应用于光信号传感器等领域。基于半导体材料构造的异质结构是这类材料应用的关键，一般来说影响光电转换效率的因素有：材料吸光能力、电子空穴对分离效率、载流子迁移效率。使用 QuantumATK 可以方便的研究： 半导体材料的准确带隙和光吸收 包含超快的HSE06杂化泛函方法和快速的k空间采样方法，可以轻松计算千原子体系 半导体材料的载流子有效质量和迁移率 采用完整的电声耦合方法 半导体异质结构的能带排列 采用界面模型直接计算，不必考虑真空能级校正等复杂处理 异质结器件的光生电流和开路电压 直接得到光电流谱和太阳光照下的电流密度 可以直接考虑光电转换过程中的温度效应 构造机器学习模型，快速预测复杂体系的成分与结构 应用案例 实例1：二维材料的结构电子态模拟 论文作者对实验上得到的多层结构进行了模拟，得到了与实验一致的结果。文中使用DFT-D2范德华力泛函（注：QuantumATK最新版现已支持DFT-D3）对结构进行了优化，用GGA进行了结合能的计算，使用MetaGGA进行了精确带隙的计算。作为比较，又使用HSE06杂化泛函的DOS计算。注：新版的QuantumATK中LCAO基组已经支持HSE06杂化泛函，并能够进行超快的电子态计算。 详见： 用石墨烯包裹实现二维氮化镓（Nature Materials, 2016） 超快速的HSE杂化泛函计算半导体准确带隙 实例2：机器学习研究钙钛矿光伏材料的稳定性和带隙 钙钛矿的成分调控让人们能够精确控制其在光伏应用所需的材料性能。然而，同时解决效率、稳定性和毒性仍然是很大的挑战。混合的无铅钙钛矿和无机钙钛矿最近显示出了解决此类问题的潜力，不过它们的组分空间巨大，即使采用高通量方法也很难发现有希望的候选结构。此项研究通过使用由密度泛函理论生成的344个钙钛矿的新数据库，使用与元素无关的通用指纹信息的机器学习方法可以快速而准确地预测关键属性。使用验证子集预测的带隙、形成能、和凸包距离分别在146 meV、15 meV/atom 和 11 meV/atom 内。得到的模型可以用于预测完全不同的化学组分空间中的趋势，并进行快速的组成和结构空间采样，而无需进行昂贵的从头算模拟。 详见：机器学习研究钙钛矿材料的稳定性和带隙 实例3：界面处能带收窄导致CZTS太阳能电池开路电压损失 Cu2ZnSnS4（CZTS）是很有前景的薄膜光电功能材料。目前 CZTS 体系主要的问题是开路电压（OCV）很低，并且原因不明。本文从另外的角度来解释 OCV 损失。研究者使用 QuantumATK 计算了 CZTS 和 CdS 之间界面处的电子态（能带对齐）情况，并在界面处发现了一处很小的局域化的界面态。在进行器件级别模拟时，此界面态导致了显著的 OCV 衰减，本文给出的计算结果与文献中报道的目前 CZTS 光电池器件测量结果定量的吻合。 详见：界面处能带收窄导致CZTS太阳能电池开路电压损失 实例4：电子输运与载流子性质 QuantumATK支持直接计算材料中的电声耦合，并得到载流子的输运性质，包括费米面形状、载流子有效质量、载流子迁移率、霍尔系数、热电塞贝克（Seebeck）系数等。这对评估电子材料的可用性提供了直接的标准。 详见： 第一原理方法计算电子-声子耦合和电子迁移率 考虑电声耦合效应能够准确和高效的计算电阻率和迁移率的新方法 实例5：半导体异质结的光生电流与温度效应 QuantumATK支持直接构造异质结模型，计算在特定频率或太阳光谱照射下的光电流密度，并进一步得到开路电压；在此基础上，可以采用QuantumATK特有的STD方法考虑温度（电声耦合）效应，得到的温度对开率电压的影响与实验吻合非常好。 […]

本文报道的研究采用了材料信息学（MI）方法（即结合了材料性能计算/测量和信息学算法）实现了热功能材料纳米结构的特性的计算优化，这是基于物理直觉和模型的经验方法难以获得的。此研究以一个超晶格结构的优化问题为例，介绍将热输运计算和机器学习相结合的 MI 的基础知识和技术程序，总结了描述符、目标函数、特性计算工具、机器学习（Bayesian optimization）算法和优化效率的细节，并成功地应用于热电材料和热辐射材料的设计。 在过去的几十年里，各种热输运的计算和实验技术在纳米尺度上得到了发展。一般来说，这类知识都是基于四个维度（时间和空间的三个维度）的热传输物理模型，也是人类更容易理解的。然而，在识别复杂的结构-性能关系时，尺寸可能成为制约因素。另一方面，使用黑箱模型的机器学习在处理大量维度的超空间方面有优势，并且在预测复杂的结构-属性关系方面可能更为优越，唯一的不足可能是它可能无法直接帮助人类理解基本物理问题。随着机器学习和数据挖掘方法的进步，研究人员现在能够从计算或实验数据中构建一个黑盒模型，识别或预测显示出所需特性的纳米结构或材料。因此，它为发现、设计甚至理解新材料提供了巨大的机会。 这种 MI 方法有四个基本要素：目标函数、描述符选择、评估目标函数的性质计算工具和信息学优化方法。文章通过设计超晶格基本结构框架对结构进行了数字化得到了多种结构描述符，采用 QuantumATK 中包含的格林函数方法和 Tersoff 经验力场方法结合计算的体系的导热系数作为优化目标函数，并据此设计了 Bayesian optimization 的流程。作者在文中比较了不同优化方法和不同的结构描述符的优劣，并进一步将导热的优化流程延伸应用于优化石墨烯纳米带的热电品质因数（热电优值）。       原文链接 J. Appl. Phys. 128, 161102 (2020)，https://aip.scitation.org/doi/full/10.1063/5.0017042。