We present a simple yet effective method for structure prediction of two-dimensional structures. The method is based on a combination of neural networks and evolutionary techniques. It allows finding pristine 2D structures as well as structures grown on a substrate. Conducted tests show, that the method is efficient and the calculations, based only on the information of stoichiometry, can lead to stable structures. Since the algorithm is able to address structures on a given substrate, it can be useful from the experimental point of view.
Evolutionary algorithm for prediction of the atomic structure of two-dimensional materials on substrates
目前，二维材料的研究已成为材料科学的重要目标之一。与三维材料不同，二维材料由于其维度和量子尺寸效应，可以同时表现出独特的输运和力学性质。在其制备和应用中，二维材料通常位于衬底顶部或组合成异质结构，这使得其结构和性能强烈依赖于环境的性质和质量。在这里，我们提出了一种新的方法来研究二维材料和任意衬底上的外延薄膜的原子结构。该方法可以预测成功的外延生长阶段和区域的稳定性的每个原子配置与实验参数的兴趣。我们证明了我们的方法在预测的原子结构的二硫化钼在Al 2 O 3（0001）衬底上的性能。该方法也被用于研究石墨烯和六方氮化硼在Cu（111）衬底上的CVD生长。在这两种情况下，稳定的单层和多层结构被发现。在从头算热力学方法预测的所有结构的稳定性方面的分压的前体和生长温度。
Discovering Superhard B-N-O Compounds by Iterative Machine Learning and Evolutionary Structure Predictions
我们寻找新的超硬B-N-O化合物的迭代机器学习（ML）程序，其中ML模型使用进化算法的样品晶体结构进行训练。我们首先使用内聚能来评估不同的B $_x$ N $_y$ O $_z$组合物的热力学稳定性，然后逐渐集中于具有高内聚能和高硬度的组合物区域。经过几次迭代后，结果很快收敛。我们得到的ML模型表明，B $_{x+2}$ N $_{x}$ O $_{3}$与$x \geq 3$化合物（如B $_5$ N $_3$ O $_3$，B $_6$ N $_4$ O $_3$等）是潜在的超硬和有利的。我们的元GGA密度泛函理论计算表明，这些材料也是宽带隙（$\ge 4.4$ eV）绝缘体，与价带最大值有关的$p$ -轨道的氮原子附近的空位。这项研究表明，ML和从头算模拟相结合的迭代方法为发现新材料提供了一个强大的工具。
