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高度依赖，但传统密度泛函理论(DFT)计算成本高昂，难以系统研究整个手性空间。研究目的: 本研究旨在构建集成机器学习框架，高效、高精度地计算MoS₂纳米管在全手性空间的电子结构，并绘制相关图谱。结论: 通过集成机器学习原子势和深度学习DFT模型，成功实现了对MoS₂纳米管电子结构的高效预测，计算效率提升两个数量级以上。研究揭示了MoS₂纳米管的带隙随管径减小单调下降，对手性角不敏感；当管径小于62Å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，利于空穴迁移器件。该图谱为TMD纳米管器件设计提供了重要参考。