二维材料带隙预测：机器学习如何替代高成本DFT计算

去年底我接了个二维材料异质结筛选的活儿，第一轮就列了六十多个候选体系，准备算带隙。真动手才发现，单个体系的 DFT 跑下来动不动就是十几个核时，遇到大超胞再带上磁序，一天能算完两个都算顺利。按这个速度，这一批全部跑完怕是项目周期就直接报废了。后来我把流程改成两步：先用机器学习模型从已知二维材料数据里学一套“快速预测规则”，把明显不合要求的候筛选掉，剩下的少量候选再用 DFT 精算。这其实就是二维材料研究里现在最常见的机器学习落地方式：用可承受的计算量换筛选宽度，把昂贵的计算留给最值得的体系。

这篇记录从理论到实战把这条链路完整走一遍，包括二维材料数据集怎么拿、晶体结构怎么转成特征、模型怎么选才不会自己骗自己，最后给一套可以直接跑的带隙初筛代码。如果你是材料、物理背景，刚开始接触机器学习，或者已经会调 sklearn 但没处理过材料结构数据，这篇应该能帮你省下不少试错时间。

1. 二维材料筛选中的机器学习：从“算不起”到“算得起”

这一节先聊清楚一个大家容易忽略的问题：机器学习在二维材料研究里到底解决的是谁的痛点，又是凭什么解决的。

1.1 DFT 计算量随体系膨胀的现实瓶颈

第一性原理计算精度高，但代价也摆在那里。DFT 的复杂度大致随电子数的三次方增长，这意味着体系尺寸一上来，计算资源立刻捉襟见肘。二维材料单体还好说，单层 MoS2 这种小体系，一个 PBE 级别带隙计算通常几分钟到几十分钟就能完成。但一旦进入异质结、缺陷超胞、扭转多层结构，原子数轻松突破一两百，计算成本不是线性上涨，是跳跃式上涨。

更麻烦的是二维材料的候选空间大得吓人。元素周期表里可用的组合数以万计，再加上同一种化学组成可能对应 1T、2H、3R 等不同相，还有异质结堆叠、覆盖层取向、应力应变这些额外自由度。你不可能靠“每个体系都跑一次 DFT”把一个材料族的所有组合都覆盖到，哪怕能做到，也没人有足够的机时等结果。

我自己的经验是，二维材料项目做到中后期，瓶颈往往不是物理建模思路，而是计算吞吐量。这时候你会特别希望有个东西能瞬间回答“这批新材料里哪些更可能是目标带隙范围”，不用精确到 0.01 eV，能筛掉 70% 的低价值候选就是巨大胜利。

1.2 机器学习代理模型进入材料研发流程

机器学习在二维材料里的核心角色，不是替代 DFT，而是当“代理模型”。所谓代理模型，就是先拿一批已经算好的 DFT 数据当训练集，让模型学习结构-性质映射，学习完成后用它在毫秒级时间里预测大量新结构的性质。

一个典型的筛选流程大致是这样：先选一个聚焦的材料空间，比如过渡金属硫族化合物单层；然后从公共数据库导出足够多的样本，清洗后构造特征；用随机森林、高斯过程回归或者图神经网络之类的模型训练性质预测器；最后把候选空间里所有结构都过一遍模型，按预测性质排序，挑出最值得深算的体系交给 DFT 验证。

这套流程的价值非常直接：DFT 的大规模筛选能力可能一天 20 个体系，机器学习模型一秒钟能过几千个。即使准确率不是 100%，只要排序能力可靠，就能把有限的计算资源聚焦到最有可能出结果的体系上。实际做下来，一个项目的计算成本通常能降到原来的十分之一甚至更低。

1.3 不是所有体系都适合机器学习，先看任务特征

也不是所有二维材料项目都适合无脑上机器学习。适合的第一类，是目标性质明确、训练标签充足的任务，比如带隙、形成能、晶格常数、弹性模量、磁性矩，这类性质在数据库里存量丰富，有足够样本可用。第二类是候选空间巨大的筛选任务，典型如元素替换扫描、异质结匹配，这类任务靠 DFT 穷举不现实，最适合机器学习先粗筛。

不适合的也有，比如目标性质极度依赖复杂电子关联效应，或者实验测量条件本身对材料状态影响巨大，导致标签本身就含混不清，这种任务往往模型训练得再漂亮也没法落地。判断标准其实很简单：先问问自己，有没有一批可信的、口径一致的标签数据？如果没有，先不要谈模型选型。

2. 数据从哪里来：二维材料公共数据库与清洗细节

如果说用哪个模型是面子，那数据集就是里子。二维材料机器学习项目里，数据准备能占掉整个项目一半以上的时间，而且每一处偷懒都会在后面对模型泛化能力上以极其难看的姿态显现。

2.1 几个常用的二维材料数据来源及其特点

目前大家用得比较多的公共数据源有三个：C2DB、JARVIS-DFT 和 Materials Project。三者各有侧重，了解它们的差异能帮你少走很多弯路。