东南大学王金兰教授团队在材料科学领域取得重大突破
东南大学王金兰教授团队在材料科学领域取得重大突破
近日，东南大学物理学院王金兰教授团队在材料科学领域取得重大突破，相关研究成果相继发表在《自然通讯》和《美国化学会会志》等国际顶级期刊上，引发广泛关注。
机器学习助力新材料发现
在最新发表于《自然通讯》的研究中，王金兰教授团队开发了一种创新的混合迁移学习框架，用于预测二维材料的载流子迁移率。这一突破性成果解决了材料数据稀缺这一长期困扰科研人员的难题。
传统上，材料性质预测高度依赖于数据的质量与数量，但高精度的材料性质数据往往非常有限。为应对这一挑战，研究团队提出了一种结合对抗式训练和专家知识的混合迁移学习方法。该方法通过从大数据（源域）迁移知识来提升小数据集（目标域）上的预测性能，成功实现了从块体材料有效质量数据到二维材料载流子迁移率的准确预测。
这一预测流程仅需材料晶体结构作为输入，相较于传统的第一性原理计算，预测准确性达到90%，速度更是提升了5个数量级。基于此，研究团队成功筛选出21种载流子迁移率远超硅、且带隙与硅近似的新型二维材料，为未来高集成度高性能半导体器件的研发提供了重要候选材料。
揭秘单原子催化剂稳定性
在另一项发表于《美国化学会会志》的研究中，王金兰教授团队聚焦单原子催化剂（SAC）的稳定性问题，这一问题一直是制约其工业化应用的关键瓶颈。
研究团队通过恒电位密度泛函理论模拟，首次构建了CO2还原工况条件下单原子催化剂的结构-稳定性关系。他们发现，配位N原子上第一个氢原子的吸附是决定金属原子浸出的关键因素。基于这一发现，团队开发出一个新的描述符，能够有效预测电催化环境下单原子催化剂的稳定性及金属浸出电位。
更值得一提的是，研究团队还提出了在不改变活性中心几何结构的前提下增强单原子催化剂稳定性的策略，并获得了实验数据的支持。这一成果为单原子催化剂的稳定性评估和优化提供了有力工具，有望推动其在可持续能源转换领域的实际应用。
持续领跑材料科学前沿
王金兰教授团队的这些研究成果不仅展示了机器学习在材料科学领域的巨大潜力，更为新材料的设计和应用提供了新的思路和方法。通过开发创新的计算模型和算法，团队正在为解决材料科学领域的关键问题提供新的解决方案，推动着整个领域向更高效、更智能的方向发展。
这些突破性成果再次证明了王金兰教授团队在材料科学研究领域的领先地位，也为我国在这一重要科技领域的持续发展注入了新的动力。