斯坦福大学AM: 机器学习+DFT驱动筛选新型超亮和空气稳定光电阴极

在现代X射线自由电子激光器 (XFEL) 中实现的高亮度、低发射度电子束使强大的X射线成像工具成为可能，使分子系统能够在皮秒时间尺度和亚纳米长度尺度上成像。提高XFEL亮度的最有希望的方向之一是开发新型光电阴极材料，目前开发光电阴极材料通常采用基于试错法的迭代方法，成本高昂且低效。

在此，美国斯坦福大学Evan R. Antoniuk, Evan J. Reed等人首次对高亮度光电阴极材料进行了数据驱动筛选。通过筛选超过74000种半导体材料，生成了一个庞大的光电阴极数据集，从而对高亮度光电阴极材料的性质提供了具有统计意义的见解。这种筛选产生了多种光电阴极材料，它们的本征发射率比目前使用的光电阴极低4倍。

图1. DFT计算光电阴极材料的本征发射率

在第二阶段，作者对筛选出的材料再次进行多目标筛选识别，材料的DFT验证证实了88% 的测试材料的预估低固有发射率，突出了筛选预测的稳健性。

识别的M₂O（M = Na、K、Rb）家族具有与当前最先进的光电阴极材料相当的光电发射特性，此外还具有卓越的空气稳定性。该系列可能代表了第一种内在明亮、可见光的光电阴极材料，这些材料可以抵抗与氧气的反应，允许在干燥的空气环境中运输和储存。

图2. 用于识别空气稳定可见光光电阴极材料的筛选工作流程

Novel Ultrabright and Air-Stable Photocathodes Discovered from Machine Learning and Density Functional Theory Driven Screening, Advanced Materials 2021. DOI: 10.1002/adma.202104081

原创文章，作者：科研小搬砖，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/dc5371c82a/

斯坦福大学AM: 机器学习+DFT驱动筛选新型超亮和空气稳定光电阴极

相关推荐