npj:层状材料设计—主动学习与贝叶斯优化

　　由过渡金属二硫属化合物单层垂直堆叠而成的异质结在光电和热电器件领域拥有巨大的应用潜力。发现用于特定领域的最优层状材料，需要先估算关键的材料特性，例如电子能带结构和热输运系数。然而，通过严格从头算方法搜索整个材料结构空间来筛选材料特性大大超过了目前计算资源的限制。此外，材料特性函数对其结构的依赖性通常很复杂，在没有收集大量数据的情况下，难以使用简单的统计程序开展预测。

　　南加州大学的Priya Vashishta领导的团队，提出了一个高斯过程回归模型，可基于异质结结构预测材料属性，同时提出了基于贝叶斯优化的主动学习模型，可基于最少的从头算工作量来有效地发现最佳异质结。基于上述方法他们找到了与光电和热电应用相关的最大带隙异质结或非常接近1.1 eV 带隙值的异质结。该研究开发的模型可用于预测任意的材料性质，且开发出相关软件都是开源的。