Machine Learning Insights into Band Alignments of van der Waals Heterostructures
Notice bibliographique
Résumé
The integration of two-dimensional (2D) materials into van der Waals heterostructures (vdWHs) enables the stacking of atomically thin layers through weak vdW interactions, offering tunable properties for next-generation optoelectronic and catalytic applications. In this study, we systematically predicted the band alignment types of over 32,000 vdWHs, constructed by pairing any two of the 256 semiconductor monolayers from the 2D Semiconductor Computational Database (2DSdb) [ J. Phys. Chem. Lett. 2022 13, 11581], based on Anderson’s rule. Nearly 100 features were extracted from the physical properties of these vdWHs to establish a descriptor database for the triclassification of vdWHs using machine learning models, including extreme gradient boosting, random forest, and gradient boosting classifier, achieving accuracy rates between 85 and 87%. SHapley Additive exPlanations (SHAP) analysis identified electronegativity, oxygen fraction, valence electrons in the p -orbital, and lattice constants as the most influential features. The resulting database is expected to provide valuable guidance for experimentalists in designing nanodevices and photocatalysts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».