Electrically driven thermal light emission from individual single-walled carbon nanotubes
纳米结构的发光表现出丰富的量子效应，具有广泛的应用前景。单壁碳纳米管（SWNT）是一维（1D）金属或半导体，其中在较窄的能量范围内存在大量电子态，称为范霍夫奇异性，可以导致强烈的光谱跃迁。在半导体单壁碳纳米管中已经观察到涉及带间跃迁和激子的光致发光和电致发光，但由于非辐射弛豫，预计在金属管中不会观察到。在这里，我们表明，在负微分电导制度，一个悬浮的准金属单壁碳纳米管（QM-SWNT）发射光由于焦耳加热，显示强峰在可见光和红外对应的带间跃迁。这是一维热发光的结果，与在大束单壁碳纳米管或多壁碳纳米管中观察到的无特征黑体状发射形成鲜明对比。这允许在焦耳加热的QM-SWNT的电子温度和非平衡热光学声子的探测。
2007-01-09 cond-mat.mes-hall cond-mat.mtrl-sci
An Informatics Software Stack for Point Defect-Derived Opto-Electronic Properties: The Asphalt Project
通过高通量筛选和机器学习方法对基于性能指标的材料发现进行计算加速正变得越来越普遍。然而，依赖于新材料中点缺陷的稀浓度的光电特性的开发和优化并没有从这些进展中显著受益。在这里，我们提出了一个信息学和模拟套件，以计算加速这些过程。这将使更快和更基础的材料研究成为可能，并减少与材料开发周期相关的成本和时间。类似于当前基于第一性原理的属性数据库所带来的新途径，这种类型的框架将随着其扩散而开辟全新的研究前沿。
2019-06-06 cond-mat.mtrl-sci
Accelerated Discovery of Vanadium Oxide Compositions: A WGAN-VAE Framework for Materials Design
本文提出WGAN-VAE逆向设计框架，结合稳定性约束和形成能预测加速发现钒氧化物，生成451种成分并发现新型稳定V2O3相，稳定率约20%，优于现有方法。
2025-03-08 cond-mat.dis-nn cond-mat.mtrl-sci
First-Principles Prediction of Electronic Transport in Experimental Semiconductor Heterostructures via Physics-Based Machine Learning
电子输运性质预测的第一性原理技术近年来发展迅速。然而，它仍然是一个挑战，模型异质结构纳入可变性，由于制造工艺。基于机器学习（ML）的材料信息学方法（MI）越来越多地用于加速具有目标特性的新材料的设计和发现，并将第一性原理技术的适用性扩展到更大的系统。然而，很少有研究利用MI来学习电子结构性质，并使用这些知识来预测各自的输运系数。在这项工作中，我们提出了一个电子传输信息学（ETI）框架，该框架训练小系统的从头算模型，并预测硅/锗异质结构的热电势超出了第一原理技术可访问的长度范围，与测量数据相匹配。我们展示了MI的应用，以提取重要的物理，确定电子输运在半导体异质结构，打破了追求的组合策略，特别是热电材料。我们预计，ETI将有广泛的适用性，以不同的材料类别。
2020-11-17 cond-mat.mtrl-sci
Data-Driven Design of a New Organic Semiconductor via an Electronic Structure Chart
设计新材料的数据驱动方法正在快速发展，但有机晶体的进展却很少。对于有机晶体，仅从分子结构预测固态电子性质的需要对于典型的基于回归的设计策略是极其困难的任务。在本文中，我们提出了一种新的策略来设计有机晶体，它绕过了直接回归固态物理性质的需要。这一策略的核心是电子结构图，这是有机晶体数据库的二维投影，其中每种材料都根据其固态电子特性进行定位。我们通过识别一种新的分子来说明这种策略，该分子被预测在结晶状态下显示出目标带隙和优于平均值的能带曲率。这一策略是第一个数据驱动的方法，可以在真正的固态电子特性的基础上设计新的分子，并有可能加速有机电子学领域的突破。
2022-04-21 cond-mat.mtrl-sci
Machine-learning-accelerated simulations to enable automatic surface reconstruction
Massachusetts Institute of Technology（麻省理工学院）；Massachusetts Institute of Technology Lincoln Laboratory（麻省理工学院林肯实验室）
提出一种结合机器学习原子间势与马尔可夫链蒙特卡洛采样的双阶段计算循环，加速多组分材料表面相图预测，并在GaN、Si和SrTiO3表面验证其有效性。
2023-11-21 cond-mat.mtrl-sci cs.LG
Universal Fragment Descriptors for Predicting Electronic Properties of Inorganic Crystals
从历史上看，材料的发现一直是由艰苦的试错过程驱动的。材料数据库的发展和新兴的信息学方法最终提供了将这种实践转化为数据和知识驱动的合理设计的机会。通过使用来自AFLOW存储库的数据进行高通量从头计算，我们已经生成了定量材料结构-性能关系（QMSPR）模型来预测八个关键的电子和热机械材料性能，例如金属/绝缘体分类，带隙能量，体积和剪切模量，德拜温度和热容。用这些QMSPR模型获得的预测精度接近几乎任何化学计量无机晶体材料的训练数据。这些模型的成功和普遍性归功于新材料描述符的构建--被称为通用属性标记材料片段（PLMF）。该表示只需要最小的结构输入，并提供简单的启发式设计规则，指导合理的材料设计方面的简单的模型解释。这项研究证明了材料信息学的力量，大大加快了新材料的搜索。
2017-03-24 cond-mat.mtrl-sci
Discrete discontinuous basis projection method for large-scale electronic structure calculations
我们提出了一种方法来加速实空间电子结构方法几倍，而不损失的准确性，通过减少必须解决的离散本征值问题的尺寸。为了实现这一点，我们构造了一个有效的，系统可改进的，不连续的基础上，跨越占领的子空间和项目的实空间的哈密顿量的跨度。在一系列系统的计算中，我们发现，精确的能量和力是获得与8- 25个基函数每个原子，减少1- 3个数量级的相关的实空间本征问题的维度。
2018-04-27 cond-mat.mtrl-sci physics.chem-ph physics.comp-ph
Surface-state Coulomb repulsion accelerates a metal-insulator transition in topological semimetal nanofilms
纳米尺度量子化的出现，量子尺寸效应（QSE），允许灵活控制物质，是先进功能的丰富来源。半个世纪前，铋被预测为半金属纳米膜中的绝缘相的QSE诱导的转变，并重新获得了新的兴趣，其表面状态表现出非平凡的电子拓扑结构。在这里，我们揭示了一个意想不到的过渡机制，高分辨率角分辨光电子能谱学结合理论计算。量子化能级的反常演化和简并表明，随着厚度的减小，来自表面态的库仑排斥的增加使量子限制势变形。势的形变极大地调制了量子化波函数的空间分布，这导致了跃迁的加速，甚至超过了原始的QSE图像。这一发现建立了铋长期讨论的问题的全貌，并突出了一类新的尺寸效应在金属表面态系统中主导纳米级传输。
2020-01-30 cond-mat.mtrl-sci
Identifying defect-tolerant semiconductors with high minority carrier lifetimes: Beyond hybrid lead halide perovskites
甲基铵卤化铅（MAPbX3）钙钛矿的出现促使识别引起异常的体传输性质的独特性质，并识别具有类似性质的未来材料。在这里，我们提出，这种“缺陷容限”出现从基本的电子结构特性，包括轨道特性的传导和价带极值，有效质量，和静态介电常数。我们使用MaterialsProject.org搜索和详细的电子结构计算来证明MAPbX 3以外的其他材料的这些特性。这种材料发现的框架可以更广泛地应用，以加速基于对最近成功的新兴理解的新半导体的发现。
2015-05-21 cond-mat.mtrl-sci
Accelerated screening of thermoelectric materials by first-principles computations of electron-phonon scattering
最近发现的用于热电能量转换的新材料是通过从第一原理有效预测材料的性能而实现的，而无需经验拟合的参数。描述了一种新的简化的计算电子输运性质的方法，与现有的方法相比，该方法具有良好的精度和可移植性，同时大大降低了复杂性和计算成本。电子-声子耦合的第一性原理计算表明，电子弛豫时间的能量依赖性随化学成分和载流子浓度的变化而显著变化，这表明有必要超越常用的近似来筛选和优化材料的成分、载流子浓度和微观结构。新的方法进行了验证，使用高精度的计算和验证的实验数据，然后将其应用于筛选和发现有前途的组合物在空间的半Heusler合金。通过分析数据趋势，有效电子质量被确定为决定材料性能的单一最佳通用描述符。从第一性原理出发计算了洛仑兹数，并讨论了Wiedemann-Franz定律在热电学中的普适性。
2018-05-01 cond-mat.mtrl-sci
A new family of two-dimensional crystals: open-framework T$_{3}$X (T=C, Si, Ge, Sn; X=O, S, Se, Te) compounds with tetrahedral bonding
为了加速创新材料的开发，具有有用功能的建模和预测至关重要。在这里，基于最近开发的晶体结构预测方法，我们发现了一个新的家庭的稳定的二维晶体与开放通道四面体键合网络，呈现潜在的电子和能源应用。所提出的具有Cmme空间群的结构原型具有至少十三种不同的具有IV族（T=C，Si，Ge，Sn）和VI族（X=O，S，Se，Te）元素的独立式T $_{3}$ X化合物。此外，所提出的材料显示出不同的电子性质，从直接带隙半导体到拓扑绝缘体，在其原始形式，这是进一步可调的机械应变。
2019-04-10 cond-mat.mtrl-sci
Robust AI-Driven Discovery of Electronic Metal Phosphide Semiconductors
Jilin University（吉林大学）
结合生成式材料设计、机器学习原子间势和密度泛函理论，高通量筛选出3574种稳定磷化物，包括196种半导体，并识别出30种光电和26种热电候选材料。
2026-06-08 cond-mat.mtrl-sci
Discrete Fourier Transform Improves the Prediction of the Electronic Properties of Molecules in Quantum Machine Learning
量子力学计算和组合实验的高通量近似传统上被用于减少可能的分子、药物和材料的搜索空间。然而，结构和化学自由度的相互作用引入了巨大的复杂性，目前最先进的工具还没有被设计为处理。通过使用第一性原理的量子力学（QM）计算生成的大型分子数据库的可用性为数据科学开辟了新的途径，以加速新化合物的发现。近年来，将QM与机器学习（ML）相结合的模型（称为QM/ML模型）已经成功地以ML的速度提供QM的准确性。目标是开发一个框架，加速知识的提取，并通过更好地搜索化合物空间，从隐藏在材料数据中的定量过程-结构-性能-性能关系中获得见解，并推断具有目标特性的新材料。在这项研究中，我们表明，通过集成众所周知的信号处理技术，如离散傅立叶变换在QM/ML管道，在某些情况下，结果可以显着改善。我们还表明，分子的光谱图可能代表一个有趣的分子可视化工具。
2019-04-05 cond-mat.mtrl-sci physics.comp-ph quant-ph
GPU acceleration of hybrid functional calculations in the SPARC electronic structure code
本文提出了SPARC电子结构代码的GPU加速版本，通过开发基于Kronecker乘积的批处理线性求解器及NVIDIA架构下的模块化混合泛函实现，在包含6000电子的金属系统中将求解时间缩短至约300秒，相比纯CPU实现了最高8倍节点小时和80倍核心小时的加速。
2025-01-27 cond-mat.mtrl-sci physics.comp-ph
Materials Learning Algorithms (MALA): Scalable Machine Learning for Electronic Structure Calculations in Large-Scale Atomistic Simulations
Helmholtz-Zentrum Dresden-Rossendorf（德累斯顿-罗森多夫亥姆霍兹中心）；Center for Advanced Systems Understanding（先进系统理解中心）；Sandia National Laboratories（桑迪亚国家实验室）
该研究提出材料学习算法（MALA）软件包，通过可扩展机器学习框架加速DFT计算，集成数据采样、训练与推理，兼容标准代码，能高效预测电子可观测量，适用于复杂材料系统的大规模原子模拟。
2024-11-29 cond-mat.mtrl-sci cs.LG
Integrated workflows and interfaces for data-driven semi-empirical electronic structure calculations
本文探讨了电子结构计算软件从单体向模块化转变的趋势，提出了DFTB+与大数据工作流集成的两种深度接口方法，并构建通用框架以支持机器学习哈密顿量嵌入和多尺度集成，从而加速科学发现。
2024-07-16 cond-mat.mtrl-sci cond-mat.other
Putting Density Functional Theory to the Test in Machine-Learning-Accelerated Materials Discovery
Massachusetts Institute of Technology（麻省理工学院）
机器学习（ML）加速发现已经开始提供克服计算材料设计组合挑战所需的效率进步。然而，ML加速发现既继承了来自密度泛函理论（DFT）的训练数据的偏差，又导致了许多注定失败的尝试计算。许多引人注目的功能材料和催化过程涉及应变化学键，开壳自由基和双自由基，或金属有机键到开壳过渡金属中心。虽然有前途的目标，这些材料提出了独特的挑战，电子结构的方法和组合的挑战，他们的发现。在这个视角中，我们描述了在准确性、效率和方法方面所需的进步，这些进步超出了传统的基于DFT的ML工作流中的典型特征。这些挑战已经开始通过训练的ML模型来解决，以预测多种方法的结果或它们之间的差异，从而实现定量敏感性分析。对于高通量筛选中的给定数据点，DFT要被信任，它必须通过一系列测试。预测计算成功的可能性并检测强相关性的存在的ML模型将使快速诊断和适应策略成为可能。这些“决策引擎”代表了迈向自主工作流程的第一步，这些工作流程避免了对基于DFT的材料发现的鲁棒性进行专家确定的需要。
2022-05-06 cond-mat.mtrl-sci cs.LG physics.chem-ph
Reformulation of DFT+U as a pseudo-hybrid Hubbard density functional
以较低的计算费用准确预测材料的电子性质是发展有效的高通量量子力学（HTQM）框架以加速材料发现的必要条件。HTQM基础设施依赖于密度泛函理论（DFT）的预测能力，这是材料性能第一性原理研究的首选方法。然而，DFT的近似导致半导体和绝缘体的电子能带结构的描述有些不准确。在这篇文章中，我们介绍ACBN 0，一个伪混合哈伯德密度泛函，产生一个改进的预测的能带结构的绝缘体，如过渡金属氧化物，如TiO 2，MnO，NiO和ZnO，只有一个微不足道的增加计算成本。
2014-10-21 cond-mat.mtrl-sci cond-mat.str-el
AGAPI-Agents: An Open-Access Agentic AI Platform for Accelerated Materials Design on AtomGPT.org
Johns Hopkins University（约翰霍普金斯大学）；West Virginia University（西弗吉尼亚大学）
研究智能代理人工智能系统中工具访问对预测准确性的影响，核心方法是构建AGAPI平台整合多种模型与工具，主要贡献是明确其在材料设计中能提高精度、展示多步骤工作流程且证实工具在特定情况下不可或缺。
2026-07-09 cond-mat.mtrl-sci cs.AI
Roadmap on Material-Function Mapping for Photonic-Electronic Hybrid Neural Networks
在机器学习任务的驱动下，神经网络已经证明了作为非线性假设分类器的有用能力。然而，在电子设备中对输入数据执行点积乘法、求和和非线性阈值处理的基础技术受到电子集成电路中已知的相同电容挑战的限制。相比之下，光域提供适合于依赖于密集节点到节点通信的这种节点分布式非冯·诺依曼架构的低延迟互连性。因此，一旦设置了神经网络的权重，网络的延迟就由光子的飞行时间给出，这对于光子集成电路来说在皮秒范围内。然而，存储训练权重的存储器功能在光学中并不存在，因此需要一个新的视角来探索神经网络中光子学和电子学之间的协同作用。在这里，我们提供了一个路线图，铺平了道路，新兴的混合光子电子神经网络，通过采取详细的研究到一个节点的感知器，讨论它如何可以实现在混合光子电子异构技术。我们发现，存在一组材料，利用协同作用，包括电子接触，存储器功能，电光调制，光学非线性和器件封装的一些约束。我们发现，材料ITO，特别是，可以提供一个可行的路径感知器的权重和非线性激活函数，同时是一个铸造工艺附近的材料。最后，我们确定了一些挑战，如果解决，可以加速采用这种异构集成策略的新兴存储材料集成到实时响应神经网络的光子平台。
2019-09-29 cond-mat.dis-nn cond-mat.mtrl-sci physics.app-ph
Accelerated discovery and design of Fe-Co-Zr magnets with tunable magnetic anisotropy through machine learning and parallel computing
本研究利用机器学习辅助框架和百亿亿次计算资源在三元Fe-Co-Zr空间中搜索新硬磁材料，发现了9种热力学稳定化合物和81个低能亚稳相，并通过化学掺杂优化出具有强磁各向异性的Fe5Co18Zr6相和稳定的四元磁性Fe5Co16Zr6Mn4化合物。
2025-06-27 cond-mat.mtrl-sci physics.comp-ph
Electronic structure prediction of medium and high entropy alloys across composition space
Michigan Technological University（密歇根理工大学）；University of California, Los Angeles（加州大学洛杉矶分校）
本文提出基于贝叶斯主动学习的机器学习模型，用于高效预测中高熵合金的电子结构，显著减少训练数据需求并提升预测精度。
2026-01-16 cond-mat.dis-nn cond-mat.mtrl-sci physics.comp-ph
Data-Driven Spectral Prediction for Accelerating Large-Scale Electronic Structure Calculations
Jülich Supercomputing Centre, Forschungszentrum Jülich, Germany（耶拿超级计算中心，耶拿研究中心，德国）；Ruđer Bošković Institute, Croatia（鲁德·波斯科维奇研究所，克罗地亚）
针对大规模电子结构计算中广义本征问题求解的瓶颈，提出基于数据驱动的光谱预测框架，通过机器学习预测切比雪夫多项式系数，提供初始猜测以跳过早期自洽场迭代，并优化有理滤波器本征求解器。
2026-05-29 cond-mat.mtrl-sci cs.LG cs.NA
