东南大学「国家杰青」王金兰团队，最新Nat. Commun.

第一作者：Xinyu Chen

通讯作者：王金兰，周跫桦

通讯单位：东南大学

王金兰 ，教授，博士生导师。东南大学物理学院首席教授、博士生导师、东南大学特聘教授、国家杰出青年、国务院特殊津贴获得者。2006年入选教育部新世纪优秀人才支持计划，2013年获江苏省杰出青年基金、2015年获国家杰出青年科学基金、2016年获江苏省“333”领军人才支持计划，2018年入选国务院特殊津贴专家，2021年入选英国皇家化学会会士。SCI论文总计200余篇，总引用已达16000余次，H-index 65，连续八年入选Elsevier中国高被引学者。

周跫桦，东南大学物理学院副教授，硕士生导师，2017年6月博士毕业于东南大学物理学院，主要从事基于机器学习算法的材料筛选、二维材料的模拟与设计方面的研究工作。发表SCI论文40余篇，其中以第一/共一/通讯作者身份发表SCI论文20余篇。

论文速览

数据稀缺是利用机器学习（ML）开发新材料的关键瓶颈之一。迁移学习能够利用现有的大数据辅助小数据集上的属性预测，但前提是大小数据集之间必须存在强相关性。为了扩展其在不同属性和材料场景下的适用性，本研究开发了一种结合对抗性迁移学习和专家知识的混合框架，可以直接利用从块体材料有效质量学到的知识预测二维（2D）材料的载流子迁移率。

通过对抗训练确保只提取体材料和2D材料之间的共同知识，同时融入专家知识以进一步提高预测的准确性和泛化能力。仅通过晶体结构，就以超过90%的准确率预测了2D载流子迁移率，并筛选出了21种载流子迁移率，远远超过硅且具有合适带隙的2D半导体。本工作使迁移学习能够在同时跨属性和跨材料的场景中进行，为用有限数据预测复杂的材料属性提供了有效工具。

图文导读

图1：从体材料有效质量到2D载流子迁移率的对抗性迁移学习示意图。

图2：通过不同的机器学习方法，展示不同方法的性能对比。

图3：混合迁移学习骨架在2D载流子迁移率预测方面的性能和模型解释。

图4：具有高载流子迁移率的2D半导体。

图5：具有高载流子迁移率的代表性2D材料的晶体结构和电子结构。

总结展望

本研究开发的混合迁移学习方法结合了对抗性训练和专家知识，实现了不同材料和不同属性间的有效知识迁移。本技术已被应用于2D材料，并且通过利用体材料有效质量的大数据，快速准确地预测了载流子迁移率。值得注意的是，这种迁移率预测仅需要晶体结构作为输入，但保持了与DFT计算相当的准确性，速度却快了五个数量级。

此外，从4266个候选材料中筛选出了21种载流子迁移率远超硅的2D半导体。该方法的成功在于有效捕捉了不同材料间的相似性，同时也表征了目标材料和属性的独特属性，从而促进了同时跨材料和跨属性的迁移学习，提高了模型的预测能力和可靠性。本研究为解决ML辅助材料设计中的数据稀缺问题提供了一种广泛适用的策略。

文献信息

标题：From bulk effective mass to 2D carrier mobility accurate prediction via adversarial transfer learning

期刊：Nature Communications

DOI：10.1038/s41467-024-49686-z