第一作者：Xinyu Chen

通訊作者：王金蘭，周跫樺

通訊單位：東南大學

王金蘭?，教授，博士生導師。東南大學物理學院首席教授、博士生導師、東南大學特聘教授、國家杰出青年、國務院特殊津貼獲得者。2006年入選教育部新世紀優秀人才支持計劃，2013年獲江蘇省杰出青年基金、2015年獲國家杰出青年科學基金、2016年獲江蘇省“333”領軍人才支持計劃，2018年入選國務院特殊津貼專家，2021年入選英國皇家化學會會士。SCI論文總計200余篇，總引用已達16000余次，H-index 65，連續八年入選Elsevier中國高被引學者。（信息來源：https://physics.seu.edu.cn/jlwang/leader/list.psp）

周跫樺，東南大學物理學院副教授，碩士生導師，2017年6月博士畢業于東南大學物理學院，主要從事基于機器學習算法的材料篩選、二維材料的模擬與設計方面的研究工作。發表SCI論文40余篇，其中以第一/共一/通訊作者身份發表SCI論文20余篇。

（信息來源：

https://physics.seu.edu.cn/_s318/2022/0920/c29635a420478/page.psp）

論文速覽

數據稀缺是利用機器學習（ML）開發新材料的關鍵瓶頸之一。遷移學習能夠利用現有的大數據輔助小數據集上的屬性預測，但前提是大小數據集之間必須存在強相關性。為了擴展其在不同屬性和材料場景下的適用性，本研究開發了一種結合對抗性遷移學習和專家知識的混合框架，可以直接利用從塊體材料有效質量學到的知識預測二維（2D）材料的載流子遷移率。

通過對抗訓練確保只提取體材料和2D材料之間的共同知識，同時融入專家知識以進一步提高預測的準確性和泛化能力。僅通過晶體結構，就以超過90%的準確率預測了2D載流子遷移率，并篩選出了21種載流子遷移率，遠遠超過硅且具有合適帶隙的2D半導體。本工作使遷移學習能夠在同時跨屬性和跨材料的場景中進行，為用有限數據預測復雜的材料屬性提供了有效工具。

圖文導讀

圖1：從體材料有效質量到2D載流子遷移率的對抗性遷移學習示意圖。

圖2：通過不同的機器學習方法，展示不同方法的性能對比。

圖3：混合遷移學習骨架在2D載流子遷移率預測方面的性能和模型解釋。

圖4：具有高載流子遷移率的2D半導體。

圖5：具有高載流子遷移率的代表性2D材料的晶體結構和電子結構。

總結展望

本研究開發的混合遷移學習方法結合了對抗性訓練和專家知識，實現了不同材料和不同屬性間的有效知識遷移。本技術已被應用于2D材料，并且通過利用體材料有效質量的大數據，快速準確地預測了載流子遷移率。值得注意的是，這種遷移率預測僅需要晶體結構作為輸入，但保持了與DFT計算相當的準確性，速度卻快了五個數量級。

此外，從4266個候選材料中篩選出了21種載流子遷移率遠超硅的2D半導體。該方法的成功在于有效捕捉了不同材料間的相似性，同時也表征了目標材料和屬性的獨特屬性，從而促進了同時跨材料和跨屬性的遷移學習，提高了模型的預測能力和可靠性。本研究為解決ML輔助材料設計中的數據稀缺問題提供了一種廣泛適用的策略。

文獻信息

標題：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