【AI读论文】AI加速光电阴极“表面密码”破译:如何精准设计高性能材料?

新闻

作者：微信文章


第一作者：吴咸、戴玉婷

通讯作者：夏斯浩

通讯单位：南京航空航天大学

AI科普解读

1

为何要破解AlGaN的“表面密码”？
AlGaN（氮化铝镓）是一种性能优异的第三代半导体，是制造高效光电阴极（一种能将光信号转化为电子束的核心部件）的关键候选材料。在其表面沉积特定的金属原子（如铯、锂），可以大幅降低电子逸出的“门槛”（即功函数），甚至实现“负电子亲和势”，从而让器件效率飙升。

然而，这个“镀膜”过程极其复杂，效果受到四大变量的交织影响：

金属种类：用铯、锂，还是钡？

表面晶面：材料的哪个“脸”朝外？(100)面、(001)面还是(110)面？

铝组分：材料中铝和镓的比例是多少？

覆盖度：表面镀上多厚的金属层？

传统“试错法”研发成本高、周期长。本研究开创性地结合了第一性原理计算（高精度物理模拟）与机器学习，旨在快速、准确地预测最佳表面处理方案。

2

构建“数字材料库”：从模拟到数据
研究团队首先扮演了“数字化学家”，通过计算机模拟，系统创建了一个庞大的数据库。

模拟变量：全面覆盖了 3种表面晶面 × 5种铝组分 × 4种覆盖度 × 10种金属元素，共 600种不同的表面构型。

计算目标：针对每种构型，计算两个关键指标：

吸附能：金属原子在表面“粘”得有多牢？值越负，吸附越稳定。

功函数：电子从材料里“逃”出来有多难？值越低，越容易发射电子。

这个包含600组数据的数据集，成为了训练AI模型的“教材”。

3

机器学习“大比拼”：寻找最佳预测模型

利用生成的数据库，研究人员训练并比较了7种不同的机器学习模型。

冠军模型：极端梯度提升（XGB）模型综合表现最佳。

预测吸附能：准确率（R²）高达0.993，误差极小。

预测功函数：准确率（R²）达到0.953，同样非常出色。

关键发现：通过分析模型，发现了影响性能的最关键因素：

决定吸附能的前三名：金属原子序数 > 铝组分 > 覆盖度。

决定功函数的前三名：铝组分 > 覆盖度 > 金属原子序数。

4

实战验证：模型能预测未知情况吗？

为了检验模型的泛化能力（即预测从未见过的新情况的能力），团队设计了一组全新的表面构型（0.625 ML覆盖度）进行测试。

结果：模型对新构型的预测非常精准。

吸附能平均预测误差仅5.41%。

功函数平均预测误差仅3.89%。

结论：该AI框架不仅对已知数据拟合好，更具备强大的实际预测能力，可用于指导真实实验设计。

5

微观物理图像：功函数为何会降低？

研究还深入解释了金属吸附降低功函数的物理本质：

电荷转移与偶极矩：金属原子将电子“捐”给AlGaN表面，形成上正下负的电荷层，就像一个垂直于表面的微型“磁铁”（偶极矩）。这个偶极矩产生的电场，把表面的真空能级“拉低”了，从而降低了功函数。

能带弯曲：电荷转移还会使材料表层的电子能带发生弯曲，形成内置电场，进一步为电子逸出提供“助推力”。

这两种效应共同作用，使得经过金属修饰的AlGaN表面更容易发射电子。

6

研究总结与未来展望

本研究成功构建了一个“第一性原理计算 + 机器学习”的智能框架，能高效、高精度地探索复杂参数空间，为光电阴极等光电器件的表面工程设计提供了全新的强大工具和设计蓝图。

未来方向：

将方法扩展到更多材料体系（如其他III-V族化合物）。

研究动态过程（如温度影响、缺陷迁移），预测器件长期稳定性。

结合实时实验数据，形成“AI设计-实验验证-反馈优化”的闭环，极大加速新材料的研发进程。

图片解析


图 1. 作为计算数据库所构建的模型。(a–c)不同的表面类型；(d–h)组分 x=0, 0.25, 0.5, 0.75和1的AlₓGa₁₋ₓN表面；(i–l) 0.25, 0.5, 0.75和1 ML的吸附覆盖度；(m) 十种吸附元素。


图 2. (a–c) (001)、(110)和(100)表面吸附原子前后的静电势；(d–f) 十种吸附原子随覆盖度变化的相应功函数；(g–i) 相应的吸附能。


图 3. 特征相关性及变量符号汇总表。


图 4. XGB模型对两个目标响应的特征重要性排序：(a) 吸附能；(b) 功函数。


图 5. (a) 使用RF模型计算的两个目标响应的SHAP值；(b, c) 使用XGB模型计算的两个目标响应的部分依赖图。


图 6. 不同算法的比较：(a) RF, (b) XGB, (c) KNN, (d) 堆叠算法的散点图，每个虚线框左侧代表Eads，右侧代表φ。


图 7. (a, b) 各种算法对目标响应Eads和φ的预测评估；(c, d) 不同数据分布下，模型对Eads和φ预测的MSE的散点密度图。


图 8. 预测与验证：(a) 扩胞后的覆盖度示意图；(b–d) (001)、(100)和(110)表面的ML预测与DFT计算的Eads和φ。


图 9. (a) 金属原子与(100)界面的差分电荷密度分布。(b) 表面电荷转移及偶极子产生的示意图。(c) 水平面平均电子密度差沿z方向分布及相应的偶极长度与偶极电荷。(d) 偶极矩（μ）与功函数变化（Δφ）。


图 10. (a–c) 洁净Al₀.₂₅Ga₀.₇₅N表面、0.625 ML Cs覆盖表面及0.625 ML Ba覆盖表面的能带结构及态密度。(d) 第1至4双层（L1–L4）的分波态密度。(e) 金属原子吸附后，能带弯曲和真空能级对齐的能带示意图。

引用本文

Xian Wu, Yuting Dai, Mengqi Sheng, Yu Diao, Sihao Xia, Adsorption behavior and surface modification of metal atoms on AlGaN surfaces with multiple configurations: First principle calculation assisted by machine learning, J. Mater. Sci. Technol. 241 (2026) 168-179.

https://doi.org/10.1016/j.jmst.2025.03.074.







欢迎关注材料科学技术

编辑：刘晓橙

校对：王洪宇

审核：罗艳芬