ACS Nano | 西湖大学李文彬团队：基于深度学习的MoS₂纳米管手性依赖电子结构图谱

背景：过渡金属硫属化合物（TMD）纳米管是一维材料，其电子结构对手性和曲率的依赖关系缺乏系统认识，传统密度泛函理论计算成本高昂。研究目的：构建集成机器学习框架，高效高精度预测MoS₂纳米管在全手性空间的电子结构，绘制电子结构图谱。结论：研究发现MoS₂纳米管带隙随管径减小单调下降，对手性角不敏感；管径小于约62 Å时空穴有效质量骤增并伴随直接-间接带隙转变；扶手椅型纳米管在小直径区域空穴有效质量更低，适合空穴迁移率要求高的器件。该研究为TMD纳米管物性与器件设计提供重要参考。