2025年7月23日，Phys. Rev. Mater.在线发表了丹麦科技大学Kristian Sommer Thygesen课题组的研究论文，题目为《Dispersion-corrected machine learning potentials for 2D van der Waals materials》。
基于消息传递神经网络的机器学习原子间势（MLIPs）有望实现复杂材料的大规模原子尺度模拟，并达到从头算精度。近期，研究者已开发出多种MLIPs模型，这些模型通过密度泛函理论（DFT）计算中半局域交换关联（xc）泛函得出的能量和力进行训练。
在此研究中，作者针对包含4至300个原子的莫尔超晶胞范德华异质双层材料数据集，系统评估了六种色散校正MLIPs的性能。通过多种结构相似性指标，将弛豫后的异质结与DFT基态计算结果进行对比。其中部分模型的精度达到了DFT结果因xc泛函选择所产生的不确定度范围之内。进一步探究了结构误差对电子性质的传导影响，发现能带能量的平均绝对误差可低至35 meV。研究结果表明，经过色散校正的最新MLIPs模型在处理一般范德华异质结时已与DFT方法相当，这为其应用于复杂且具有实验相关性的二维材料体系提供了理论依据。
图1 用于构建范德华异质双层并计算其电子能带结构的工作流程
图2 MoS2-WSe2异质结的总能差与距离平衡层间距离z的关系
图3 使用L-MACE-MP与PBE(PW)和PBE(LCAO)弛豫336个异质结的平均层间距离
图4 异质双层及其电子能带结构的实例：(a) 石墨烯-ZnI2；(b) Si2H2-PbI2和(c) MgI2-PbBr2
Sauer, M.O., Lyngby, P.M. & Thygesen, K.S. Dispersion-corrected machine learning potentials for 2D van der Waals materials. Phys. Rev. Mater., 2025, 9, 074007. https://doi.org/10.1103/cl8c-8f1f
【相关文献】
【注】：小编水平有限，若有误，请联系修改；若侵权，请联系删除！
