基于第一性原理与机器学习融合的单壁碳纳米管态密度随手性变化的器件级预测模型及其在纳米电子学中的应用

来自某研究团队的研究人员针对单壁碳纳米管电子特性对手性的高度敏感性，开展了结合第一性原理计算与机器学习的技术研究。通过密度泛函理论（DFT）建立手性指数与态密度（TDOS）的数据集，并利用机器学习模型实现电子行为预测。该方法显著降低计算成本，为碳基纳米材料的精准设计提供新思路。

　　

单壁碳纳米管（SWCNTs）的电子特性对其手性（chirality）表现出高度敏感性，这直接影响其在纳米电子学和能源存储领域的应用潜力。本研究提出一种创新方法，通过融合第一性原理（ab initio）建模与机器学习技术，预测随着手性变化的单壁碳纳米管总态密度（TDOS, Total Density of States）分布。研究采用基于密度泛函理论（DFT, Density Functional Theory）的第一性原理计算，构建涵盖不同手性指数（chiral indices）的TDOS数据集，并在此基础上训练机器学习模型，以泛化并预测未计算手性构型的电子行为趋势。计算物理学与人工智能的整合显著提升了对SWCNTs电子结构的研究效率，在保持高预测精度的同时大幅降低了计算成本。该框架深化了对手性依赖型电子特性的理解，为面向先进技术应用的碳基纳米材料精准设计开辟了新路径。

研究中，团队针对手性为（n,m）（其中n=4,5,6,…,10；m=0）的碳纳米管进行了电子特性模拟。第一性原理计算结果表明，手性为（4,0）、（5,0）和（6,0）的SWCNTs体系呈现金属特性，其金属性源于管壁大曲率引起的强σ-π轨道混合。与之相反，手性为（7,0）、（8,0）、（9,0）和（10,0）的SWCNTs化合物则表现出半导体特性，具有0.10–0.82 eV的窄带隙，并被认定为直接带隙（direct band gap）材料。