摘要
由弗林德斯大学牵头，与阿联酋哈利法大学合作的研究团队提出了一种机器学习引导的贝叶斯优化（BO）框架，可在保持化学合理性的前提下，实现具备预设电子性质的镓基组分反向设计。优化后的分析结果表明，生成材料相对于训练数据具有 100% 的唯一性与新颖性，并且在 1.5–2.5 eV 带隙区间内，SMACT 有效性显著提升。 在现代半导体产业中，材料性能的边界正在被不断推向更高维度。从高效光伏器件到高亮度发光二极管（LED），再到高频通信与量子信息系统，几乎所有关键技术的底层，都依赖于一种核心能力——对材料电子结构的精确调控，尤其是对带隙（band gap）的精准设计。然而，这一目标在传统材料科学体系中长期难以实现。 原因在于，材料的电子性质并非简单由单一元素决定，而是受到复杂的化学键合、晶体结构、电子轨道杂化以及多元素协同作用的共同影响。在众多材料体系中，基于镓的半导体占据着独特地位。镓元素优异的化学多样性以及多价态特性，使其能够展现从宽带隙到窄带隙的一系列可调电子性质。 含镓化合物已经成为高效率太阳能电池、高亮度 LED 以及高频通信器件等关键光电与能量转换技术的重要基础，同时也正成为柔性、生物兼容以及可植入电子系统中的潜力候选材料。然而，尽管相关研究已发展数十年，针对特定目标电子性质的新型含镓材料发现过程，仍在很大程度上依赖经验探索——这主要受限于庞大的组分设计空间，以及基于第一性原理计算所带来的高昂计算成本。 在这一背景下，由弗林德斯大学牵头，与阿联酋哈利法大学合作的研究团队提出了一种机器学习引导的贝叶斯优化（BO）框架，可在保持化学合理性的前提下，实现具备预设电子性质的镓基组分反向设计。 借助这一统一框架，系统能够自主生成新型、化学有效的含镓材料，并实现 0.5–3.5 eV 可调带隙——这一能量范围对太阳能、光子学以及功率电子等应用具有重要意义。贝叶斯优化过程能够自适应地将搜索引导至「期望改进」最高的区域，优化后的分析结果表明，生成材料相对于训练数据具有 100% 的唯一性与新颖性，并且在 1.5–2.5 eV 带隙区间内，SMACT 有效性显著提升。