AI加速新一代芯片与电子材料的研发进程

由弗林德斯大学牵头、阿联酋哈利法大学联合组建的国际研究团队，搭建了一套机器学习平台。该平台相当于一台智能材料发现引擎，能够大幅缩短为研发新一代半导体而开展复杂计算与实验室试验、筛选新型材料的周期。

半导体广泛应用于各类高科技领域，包括可穿戴设备、通信系统、智能手机、医疗设备、发光器件以及太阳能电池板等。此次研究成果发表于《ACS Materials Letters》，论文题为《基于贝叶斯优化定向筛选具备目标带隙的含镓半导体》。

论文第一作者、弗林德斯大学澳大利亚研究理事会未来研究员Vi-Khanh Truong副教授表示：“难点在于，材料组合多达数百万种，若在实验室逐一测试，或是依靠复杂计算机模拟进行筛选，不仅耗时极长，成本也十分高昂。我们研发的人工智能不再盲目检索材料，它能够挖掘支配镓基材料特性的潜在化学规律，进而预测出具备理想电学性能的全新材料组分。”

镓是澳大利亚产出的31种关键矿产之一，用途十分广泛。它早已在电子领域得到应用，近期又因在芯片技术中表现出的优异性能备受关注。电子领域最主要的镓化合物为砷化镓，常被用于微波电路、高速开关电路以及红外电路中。

镓基半导体可在不同氧化态与组分体系下实现电学、光学性能的灵活调控。但由于化学组合空间极为庞大，且第一性原理筛选成本高昂，想要定向研发具备目标带隙的含镓材料难度很大。研究团队依托全球材料数据库内数千种已知半导体材料对这套人工智能系统进行训练。系统结合贝叶斯优化这一智能决策算法，持续筛选潜力突出的新型含镓材料，同时自动排除化学层面无法实现的组合。

该研究提出的机器学习结合贝叶斯优化（BO）框架，可在保证化学合理性的前提下，逆向设计出具备预设电学特性的镓基材料组分。

研究对比了多种回归模型，最终确定K近邻（KNN）为最优代理模型，决定系数R2=0.812。依托该KNN预测模型，贝叶斯优化算法筛选出多款新型含镓材料组分，目标带隙覆盖0.5–3.5电子伏特。研究借助SMACT工具开展筛选，从电荷平衡、元素适配性、物理合理性等维度，确保所得组分符合化学规律。贝叶斯优化可自适应引导搜索方向，优先探索性能提升潜力最大的区间。

后续分析显示，所有新组分相较于训练数据集均为全新物质，无重复样本；且在1.5–2.5电子伏特区间内，经SMACT验证的有效材料占比进一步提升。该框架可在实际化学约束条件下加快材料逆向设计进程，为传统纯密度泛函理论（DFT）筛选方案提供了新路径。

弗林德斯大学医学与公共卫生学院生物医学纳米工程实验室的Vi-Khanh Truong副教授补充道：“值得一提的是，该系统不会随意生成材料配方。在给出推荐方案前，它会先验证材料在化学层面是否合理、物理结构是否稳定，这能极大减少无效工作，加快实验验证的进度。本次研究成功得到多种全新镓基半导体候选材料，这些材料均未收录在现有数据库中。”

Vi-Khanh Truong副教授介绍，本次研究重点聚焦带隙这一核心参数，该指标决定了半导体与电、光的相互作用方式。“不同应用场景对带隙大小有着不同要求：窄带隙材料适用于太阳能采集；中等带隙是发光器件与光学设备的关键；宽带隙材料则在大功率电子设备、抗辐射系统中发挥重要作用。”