2024年12月30日，Phys. Rev. Lett.在线发表了西安交通大学王大威教授课题组的研究论文，题目为《Machine-Learning Modeling of Elemental Ferroelectric Bismuth Monolayer》，论文的第一作者为河南师范大学Yanxing Zhang。
半金属铋（Bi）由于其显著的电子特性，特别是在金属元素中霍尔系数最高而引起了广泛的关注。最近的研究主要集中在各种衬底上的Bi(110)薄膜，探索自旋-轨道耦合、拓扑绝缘体相和原子褶皱效应。此外，近年来的研究还探索了Bi单层的非线性光学性质以及铁电性。2018年，Lu等人提出了一个突破性的预测，即具有黑磷结构的二维单元素Bi单层可以表现出铁电性。最近的一项实验证实了这一有先见之明的猜想。这一关键发现和实验验证挑战了传统范式，以前将铁电性限制在多元素化合物上，并走向一个新的可能性领域，涵盖了各种应用，包括高密度非易失性存储器、场效应晶体管、太阳能电池和传感器。
在此研究中，作者为Bi单层创建了一个消息传递神经网络（MPNN）模型，能够更精确地研究其铁电相变。该模型还提供了对Bi单层其他性质的见解，如其铁电畴和晶格热导率（LTC）。MPNN模型的优势在于其效率和准确性。与其他单层（如P、As和Sb）相比，Bi单层在其平坦相中表现出更复杂的虚频。这种复杂性使其构型空间变得错综复杂，对建模和理解提出了重大挑战。然而，研究发现MPNN模型可以轻松应对这些挑战。同样，其他单层更简单，可以使用相同的程序进行建模。唯一需要的额外工作是为受检体系生成新样品。因此，机器学习方法非常适合研究二维铁电体系及其他体系。
图1 (a) 上图：A和B亚晶格的p轨道示意图；下图：平坦和褶皱Bi单层的投影pz价带电荷密度；(b) 褶皱Bi单层中最近两个Bi原子之间的电子局域函数(ELF)，插图中褶皱Bi单层的Bi s和p态的态密度；(c-d) 平坦和褶皱Bi单层的能带结构
图2 通过将预测结果与DFT结果进行比较来测试MPNN的准确性
图3 (a) Bi单层在不同b轴外应变(0.1%)下的NVT-MD和NPT-MD模拟；(b) 晶格参数随温度变化；(c) 从400 K快速冷却到50 K时Bi单层的Δh值；(d) Bi单层的晶格热导率(LTC)随温度的变化
Zhang, Y., Ouyang, X., Fang, D. et al. Machine-Learning Modeling of Elemental Ferroelectric Bismuth Monolayer. Phys. Rev. Lett., 2024, 133, 266103. https://doi.org/10.1103/PhysRevLett.133.266103
【其他相关文献】
[1] Gou, J., Bai, H., Zhang, X. et al. Two-dimensional ferroelectricity in a single-element bismuth monolayer. Nature, 2023, 617, 67–72. https://doi.org/10.1038/s41586-023-05848-5
【注】：小编水平有限，若有误，请联系修改；若侵权，请联系删除！
