| 类型 | 说明 |
|---|---|
| 论文信息 | Bandgap prediction by deep learning in configurationally hybridized graphene and boron nitride Yuan Dong, Chuhan Wu, Chi Zhang, Yingda Liu, Jianlin Cheng and Jian Lin |
| 会议期刊 | npj Computational Materials 2019 |
| 创新点 | ①结合石墨烯(掺杂了H型氮化硼)的蜂窝结构制成了三类不同尺寸超晶孢的数据集，引入了结构特征; ②结合当前流行的CNN模型进行Band gap预测 |
| 介绍 | 说明 |
|---|---|
| Band gap | 禁带宽度(Band gap)是半导体的一个重要特征参量，其大小主要决定于半导体的能带结构，即与晶体结构和原子的键合性质等有关 |
| 结构成分的影响 | 石墨烯的性质不仅与掺杂剂的浓度和种类有关，也与掺杂剂在石墨烯中的结构有关 |
| 2D与3D结构 | 2D结构相比于3D结构复杂度更低，对于模型计算开销较小 |
| 石墨烯与H-氮化硼 | 石墨烯与H型氮化硼都有相似的蜂窝型结构，石墨烯是Bandgap为零的半金属材料，而H型氮化硼则是宽Bandgap的半导体材料，很自然的想法是掺杂了H-氮化硼的是模型有适中的Bandgap值 |
| 数据集 | 说明 |
|---|---|
| ①数据结构 | 由于石墨烯的蜂窝型（六边形）结构的规则性，可以使用矩阵进行结构刻画，只考虑B-N硼氮的一种顺序(黑色：C，蓝色：N，红色：硼) |
| ②数据集构成 | 三种不同结构数据：①4×4超晶孢约14000,②5×5超晶孢约49000,③6×6超晶孢约7200，三类中分别取1000作为各自的测试集 |
| 模型 |
|---|
| ①修改版残差网络RCN |
| ②修改版VGG16的VCN |
| ③结合GoogleNet和DenseNet的CCN |
| ④SVM支持向量机 |
⑤激活函数:三个模型的激活函数不是传统的ReLu、Sigmoid等，而是类似于ReLu的exponential linear units(ELU) |
| 评价指标 |
|---|
| 解释方差$R^2$ |
| 平均绝对误差$MAE$ |
| 均方根误差$RMAE$ |
| 相对误差${MAE}_F$, ${RMAE}_F$ |
| 其中$MAE$和${MAE}_F$应该是少了求和符号 |
 |
| 实验 | 说明 |
|---|---|
| ①三种不同结构数据集在四种模型上的实验 | 总体而言，SVM性能最差，VCN性能最好，但是随着超晶孢编程5×5，CCN降低较大，应该与数据集大小有关 |
| ②迁移学习 | 由于6×6超晶孢的数据较少，scratch训练结果较差，故通过微调，在4×4以及5×5数据集上训练后迁移到6×6超晶孢的数据集上训练，预测精度大幅上升 |
| ③不同浓度H-氮化硼的实验 |
| 结论 |
|---|
| ①CNN模型预测在5×5以及6×6超晶孢数据集上精度超过90%，性能超过传统ML方法 |
| ②迁移学习能够在小系统上训练的模型迁移到大系统提高预测精度 |
| 其他 |
|---|
| 论文中的不同浓度的实验数据未知，不知道是不是重新采集了不同浓度掺杂剂下的数据 |