上海交大李金金团队：通过集成学习挖掘高性能鳍式场效应晶体管碲烯材料

交叉学科

Interdisciplinary

2023年4月6日，上海交通大学人工智能与微结构实验室在Cell Press细胞出版社期刊Patterns上发表了题为“Machine learning assisted rational design of 2D doped tellurene for fin field-effect transistors devices”的新研究。

随着设备尺寸的不断减小，鳍式场效应晶体管（FinFETs）为解决短沟道效应提供了思路。然而FinFETs的进一步发展仍面临着挑战，其中之一就是材料的选择。在本研究中，团队结合第一性原理高通量计算及集成学习算法，以新型改性二维半导体碲烯作为研究对象，从微观角度分析影响材料的关键因素，高效挖掘具有高迁移率的FinFETs沟道材料。该方法相比传统试错实验开发模式在研发成本上具有明显优势，推动了FinFETs沟道材料的探索进程。

▲长按图片识别二维码阅读原文

研究亮点

探究了一系列非金属原子掺杂的碲烯载流子迁移特性。
比较了11种不同的掺杂构型、11种非金属配位原子对碲烯性能的影响。
联立第一性原理高通量计算及集成学习算法加速新型改性材料的开发。
证明了集成分类算法在小数据集中的优势。

论文简介

图1 非金属原子掺杂的端粒的结构，考虑了11种掺杂方式及11种不同的非金属原子，包括单原子掺杂和双原子共掺杂。

随着器件尺寸的进一步缩小，FinFETs技术仍然存在着众多挑战。二维（2D）材料的出现启发了下一代FinFETs的发展。单元素二维碲烯的性能调控灵活，且具有良好的载流子传输性能和环境稳定性。随着实验技术的发展，已有多种材料改性方法来提高碲烯的性能，扩大其在纳米电子器件中的应用。其中，掺杂是一种被广泛接受的方法，可以进一步改进二维材料的电子状态、表面结构和应用性能。理论方法和机器学习（ML）可以分析大量不常见的二维材料，弥补了试错实验方法对时间和资源的过度依赖。尽管融合机器学习方法的研究框架逐渐被新材料领域研究者青睐，然而新材料领域的数据极为稀缺并且大量机器学习算法缺乏透明度，高精度模型的训练及模型的可解释性是该研究框架发展面临的关键问题。

为了解决小数据集模型训练的问题并提高模型的可解释性，研究团队结合了第一性原理高通量计算构建了足够完备的数据库，并从微观角度分析了影响改性碲烯的关键因素，例如掺杂元素的种类、数量及位置。团队以关键物化性质作为模型训练特征的参考，采用更适用于小数据集的集成分类算法构建新材料预测模型。相比于深度学习等算法，集成学习算法对数据集规模的要求较低，在各类数据集中均有良好表现，因此更适用于赋能新材料的合理设计。基于树模型内嵌的特征选择结果，掺杂元素的丰富度对电子结构的影响最大，相反掺杂原子的数量的影响较小。这一结果和理论计算分析结果一致，证明了该模型具有一定的可解释性，有助于实验研究者理解新材料合理设计的原理。

图2 模型表现及特征工程。

该项研究在第一性原理计算的基础上，研究了不同层中掺入非金属原子的α相碲烯的电子结构和迁移性能。结合集成分类算法及合理的筛选条件，最终从385个改性碲烯中确认了23个可用于制备高性能FinFET沟道的材料，并揭示了影响改性碲烯电子结构的关键因素。这种结合了理论计算和集成学习算法的新材料设计范式可以扩展到掺杂更多原子的二维材料及其他复杂体系，加速新材料研发。

作者介绍

陈安，上海交通大学电子信息与电气工程学院人工智能与微结构实验博士研究生。研究方向为新型低维材料、电子器件材料的理论设计。

叶思敏，上海交通大学电子信息与电气工程学院人工智能与微结构实验室硕士研究生。研究方向为基于人工智能的大分子量子力学计算及新体系功能设计改造。

李金金，上海交通大学教授，博士生导师，“人工智能与微结构”实验室（AIMS-Lab）PI。团队主持多项国家和省部级科研项目，如国家重点研发计划、国家自然科学基金、军委科技委装备预研教育部联合基金、国防科技创新特区装备预研重点实验室基金等。研究方向为AI for Science，包括第一性原理及人工智能算法框架的开发，基于人工智能的新材料挖掘及大数据库建立。代表性成果发表于Physics Reports、Nature Communications、Nano Energy、Energy Storage Materials、npj Computational Materials等期刊。

最后，欢迎希望从事AI for Science的科研人员加入我们实验室，包括申请硕士生、博士生、博士后以及上海交通大学长聘教职，可直接电邮李老师：[email protected]

上海交大李金金团队：通过集成学习挖掘高性能鳍式场效应晶体管碲烯材料 | Cell Press论文速递