【其他论文】揭示 β-Ga₂O₃ 中的 p 型掺杂策略：机器学习和第一性原理计算的启示

        由济南大学的研究团队在学术期刊 Materials Today Communications 发布了一篇名为 Unveiling p-type doping strategies in β-Ga₂O₃: insights from machine learning and first-principles calculations（揭示 β-Ga₂O₃ 中的 p 型掺杂策略：机器学习和第一性原理计算）的文章。

摘要

        光电子学的发展要求对 β-Ga₂O₃ 采取有效的 p 型掺杂策略，但传统的实验和计算方法存在很大的局限性。本研究介绍了一种机器学习方法，用于筛选 88 种元素，以确定 β-Ga₂O₃ 的潜在 p 型掺杂剂。利用随机森林回归（从五个评估模型中挑选出稳健性较好的模型），确定了影响费米级（E_F）的 7 个特征。价电子数和电子亲和力与费米水平的相关性最强。Mg 、Zn 和 Cd是 p 型掺杂的首要候选者，而 Be、Cu、N 和 Hg 则是次要竞争者。第一原理计算证实，这些掺杂物在价带最大值上方引入了杂质能级，从而对 β-Ga₂O₃ 的电子和光学特性产生了有利的影响。值得注意的是，Cd 掺杂实现了最大幅度的 E_F 降低，其活化能低于 Mg，内聚能低于 Cu，形成能低于 Zn，同时在 Cd-O_II 方向保持了较强的键稳定性。Cd  在实验上尚未得到充分探索，这为进一步研究提供了一个很有前景的途径。间隙 H 可钝化掺杂剂的特性，减少光生载流子的最大数量。这种高效的计算方法加速了 β-Ga₂O₃ 掺杂剂的发现，并有望在其他氧化物半导体中得到更广泛的应用。

原文链接：

https://doi.org/10.1016/j.mtcomm.2025.111524