.png){kind=icon}
返回
Deep Learning Methods for 2D Material Electronic Properties
.png){kind=icon}
OA
AI
DOI：10.1039/D5DD00155B.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本综述探讨了深度学习（DL）技术对理解二维（2D）材料中电子结构的影响。我们强调了2D材料所提出的独特计算挑战，并讨论了深度学习的方法——如物理感知模型、生成式人工智能和逆向设计——如何显著提高了对关键电子属性的预测，包括能带结构、态密度和量子输运现象。通过精选的案例研究，我们阐述了深度学习方法如何加速在新兴量子现象、拓扑、超导电性和自主材料探索领域的发现。最后，我们概述了有前景的未来发展方向，强调了稳健数据标准化的必要性，并倡导整合理论建模、深度学习方法和实验验证的集成框架。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5.6
论文数:
997
被引数:
1.7K
机构
暂无机构信息
引用论文
E(3)-equivariant graph neural networks for data-efficient and accurate interatomic potentialsE(3)-等变图神经网络，用于数据高效和精确的原子间势.png)
NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
查看更多内容