🔬 materials science

Accelerated Discovery of Materials with Extreme Work Functions through Uncertainty-Aware Multi-Fidelity Screening

本文提出了一种具有不确定性感知能力的、多保真度机器学习框架，该框架筛选了 550 万种化合物以识别出 400 多种具有极端功函数的表面，揭示了如用于低功函数的富镧末端和用于高功函数的类金属等新的化学基元，从而加速材料发现。

原作者： Jun Meng, Ryan Jacobs, Rehan Kapadia, John Booske

发布于 2026-08-12

📖 1 分钟阅读☕ 轻松阅读

原作者： Jun Meng, Ryan Jacobs, Rehan Kapadia, John Booske

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，某种材料的表面就像是一个拥挤的舞池，而电子就是其中的舞者。有些舞者非常渴望离开派对，几乎不需要任何努力就能跳出舞池；而另一些舞者则像是被胶水粘在了原地，需要巨大的推力才能逃脱。在物理学世界中，这种将电子从材料中踢出来的“努力”被称为功函数。这有点像围绕着游乐场的一道围栏：低矮的围栏（低功函数）意味着孩子们可以轻松跳过去，而高高的围栏（高功函数）则能让他们安全地留在内部。这个概念是隐藏在从你的手机屏幕到屋顶上的太阳能电池板，再到驱动航天器引擎等一切事物背后的“秘密配方”。如果我们能找到具有完美“围栏高度”的材料——要么是极低以让电子飞出，要么是极高以将其锁住——我们就能制造出更快的计算机、更清洁的能源设备和更高效的催化剂。但寻找这些材料就像是在银河系大小的草堆中寻找一根针，因为“围栏高度”取决于原子在表面上的具体排列方式，这使得预测变得异常困难。

于是，一群研究人员决定不再靠猜测，而是开始使用一位超级聪明的数字侦探。他们构建了一个全新的计算机系统，将机器学习（通过模式进行学习的AI）与多步骤筛选过程相结合，以从数百万种可能性中进行筛选。把他们的这种方法想象成一个带有三层结构的、高科技的筛子。首先，他们使用了一种基于随机森林模型（一种由决策树组成的委员会式AI）的“粗略过滤器”，快速估算了大约550万种不同材料表面的功函数。但问题在于，AI并不完美，有时会过于自信。因此，研究人员为他们的AI添加了一个“置信度计量器”。这个计量器能告诉他们，AI是在黑暗中盲目猜测（处于其训练区域之外），还是在观察熟悉的事物。他们还增加了一个“弛豫步骤”，这就像是让表面上的原子深呼吸并调整到最舒适的位置，因为杂乱、紧张的表面会给出错误的答案。

在运行了这种严谨的多层检查后，团队发现了一些真正令人兴奋的候选材料。他们识别出了209种具有极低功函数（低于2.0 eV）的表面，以及227种具有极高功函数（高于6.0 eV）的表面。这些并非随机的猜测，而是通过高精度的计算机模拟得到了证实。结果揭示了一些熟悉的模式，例如覆盖有碱金属（想想食盐中的元素）的表面具有非常低的围栏，这符合科学家们已知的知识。然而，AI也发现了一些令人惊讶的新组合。例如，富含镧系元素（一组稀土金属）的表面与那些超低功函数有着强烈的联系，而顶部覆盖有类金属或磷的表面则似乎筑起了极其高的围栏。这项研究表明，通过使用这种“感知不确定性”的方法——即让计算机知道自己何时不确定，并过滤掉冒险的猜测——我们可以加速发现那些可能彻底改变电子技术和能量转换领域的材料，而无需在物理实验室中建造并测试每一种材料。

技术摘要：通过不确定性感知多保真度筛选加速极端功函数材料的发现

问题陈述
功函数 ( $\Phi$ ) 是决定电子在界面处交换的关键电子特性，对于从热离子发射、场发射到催化和有机电子学的各类技术至关重要。具有极端功函数的材料——特别是用于高效电子发射的低值材料 ( $\Phi < 2.5$ eV) 和用于有效空穴传输或电子阻挡的高值材料 ( $\Phi > 6.0$ eV)——是人们高度寻求的目标。然而，由于晶体各向异性、表面弛豫、重构以及吸附剂的影响，预测功函数本质上具有复杂性。虽然密度泛函理论 (DFT) 是计算的标准方法，但对于数百万种候选材料的高通量筛选而言，其计算成本过于昂价。相反，现有的机器学习 (ML) 模型（如随机森林 (RF) 回归器）虽然速度快，但往往缺乏可靠的不确定性量化和适用性范围 (DoA) 评估，导致在面对未见材料或极端值时，可能会产生具有误导性的置信度。

方法论
作者开发了一种可扩展的多保真度筛选工作流，将增强型机器学习模型与计算模拟相结合，旨在从 GNoME 和 Alexandria 数据库中筛选约 550 万种化合物。

增强型随机森林模型：
- 基础模型： 基于先前发表的、基于 58,332 个未弛豫 DFT 计算功函数训练的 RF 模型。
- 不确定性校准： 使用校准自助法 (calibrated bootstrap method) 对原始不确定性估计（树预测的标准差）进行校准。该过程通过线性缩放不确定性，确保生成的 $z$ -分数遵循标准正态分布，使预测的误差棒与观测到的真实误差保持一致。
- 适用性范围 (DoA)： 利用核密度估计 (KDE) 模型拟合训练特征空间，以量化新候选材料的差异性。计算差异性得分 ( $d$ )；若 $d > 0.97$ ，则将其标记为超出领域 (OD) 并予以过滤，以防止外推误差。
多保真度筛选工作流：
- 初步过滤： 从 GNoME 和 Alexandria 中筛选出非放射性元素的化合物，并基于热力学稳定性 ( $E_{hull} \le 50$ meV/atom) 和金属特性（使用图神经网络预测等效于 HSE 的带隙，排除 $E_{gap} > 0$ 的情况）进行过滤。
- 表面枚举： 为约 355,000 种体相化合物枚举低指数表面 ((100), (001), (010), (110), (101), (111))，生成了约 1,100 万个独特的表面终止结构。
- ML 筛选： 使用增强型 RF 模型预测功函数、校准后的不确定性和 DoA 得分。仅保留领域内 (ID) 预测 ( $d \le 0.97$ ) 的结果。
- 表面弛豫： 对约 20,000 个排名靠前的表面（极低和极高 $\Phi$ ）使用通用机器学习原子间势 (U-MLIP) M3GNet 进行几何弛豫。这一步对于表面弛豫至关重要，因为表面弛豫会显著改变功函数值。
- 针对性 DFT： 在最具有前景的弛豫表面上进行高保真度验证，使用 DFT (VASP, PBE 泛函) 来确认功函数值。

关键结果

模型性能： 增强型 RF 模型在全数据集上实现了 $R^2 = 0.995$ 和 MAE $= 0.032$ eV。交叉验证表明其对未见材料具有强大的泛化能力 (MAE $\approx 0.12$ eV)，但在没有 DoA 过滤的情况下，向训练分布之外（如 $<2$ eV 或 $>10$ eV）的外推仍然具有挑战性。
不确定性与 DoA： 校准显著改善了不确定性估计的统计一致性，将 $z$ -分数的标准差从 0.676 提升至 0.999。DoA 过滤器 ( $d \le 0.97$ ) 成功分离了可靠预测与不可靠预测，降低了误校准区域，确保后续资源能够集中在具有高置信度的候选材料上。
筛选结果： 该工作流识别出：
- 209 个表面具有极低功函数 ( $\Phi_{DFT} < 2.0$ eV)，对应 136 种独特材料。
- 227 个表面具有极高功函数 ( $\Phi_{DFT} > 6.0$ eV)，对应 172 种独特材料。
化学趋势：
- 低 $\Phi$ ： 由碱金属、碱土金属和镧系元素终止的表面一致表现出低功函数。值得注意的是，富含镧系元素的终止结构与极低值强相关。
- 高 $\Phi$ ： 顶层包含类金属、磷、硫或硒的表面与异常高的功函数相关联。
- 特征重要性： SHAP 分析显示，顶层元素的最低电负性是主要的预测因子，其次是门德列夫数 (Mendeleev number) 和第一电离能。

意义与主张
本文声称展示了一种可扩展的策略，通过利用具有不确定性感知的机器学习和多保真度计算努力，加速发现具有极端功函数的材料。通过整合不确定性校准和 DoA 评估，作者提供了一个增强预测鲁棒性并过滤掉不可靠外推的框架，这对于自主材料发现至关重要。研究强调，表面弛豫是筛选工作流中不可或缺的一步，因为表面弛豫可以使功函数值偏移数百 meV。此外，这项工作既揭示了已建立的化学原理（例如碱金属终止降低 $\Phi$ ），也发现了较不寻常的基元（例如富镧系或磷终止表面），为设计用于先进电子、能量转换和催化应用的材料提供了数据驱动的基础。作者强调，虽然目前的研究重点是金属化合物，但该方法论为未来在半导体和绝缘体领域的工作提供了路径。

类似论文