强关联氧化物二维晶体的筛选、设计及热电势增强的物理机制

In recent years, strongly correlated two-dimensional electron gas (SC-2DEG) becomes one of the hot topics in condensed physics research, because of its rich physics and particular transport properties. Researchers in this field are eagerly to develop new materials utilizing SC-2DEG. Based on the frontier of 2D materials development, we proposed to utilized SC-2DEG in perovskite related transition metal oxides 2D materials, which is easy to model and low cost. In this project, by using density functional theory combined with high-throughput computing and machine learning methods in data science, design new 2D oxide materials, we will investigate their thermo stability and electronic structure. Based on transport theory such as the Boltzmann transport equation and Kelvin formula, explore the mechanism for thermopower enhancement in SC-2DEG, and particularly the following two mechanisms: strongly correlated phase induced charge, spin, orbital and lattice multiple degrees of freedom coupling, and the dimension reduction caused spatial inversion symmetry, time-reversal symmetry and gauge symmetry broken. This project will enrich the theory of SC-2DEG in two-dimensional materials and promote the development of oxide electronics.

强关联二维电子气(SC-2DEG)以其丰富的物理内涵和独特的输运性质成为近年来凝聚态物理中的研究热点，开发可实现SC-2DEG的新型材料也随之获得了研究者的极大关注。本项目立足于二维材料的研究前沿，提出在类钙钛矿结构的过渡金属氧化物二维晶体中实现SC-2DEG，具有理论上易于分析、实验上成本低廉、性质上易于调制等优点。项目的研究内容包括：结合密度泛函理论的高通量计算和数据科学中的机器学习方法，以晶格结构作为描述参量，筛选并设计可实现SC-2DEG的新型氧化物二维晶体。采用玻尔兹曼方程及开尔文公式等，研究二维晶体中增强热电势的可能途径及相应的物理机制，特别注意强关联导致的电荷、自旋、轨道、晶格多个自由度相互耦合，以及维度降低造成的空间反演、时间反演和规范三类对称性的破缺，对电子结构和热电势的影响。本项目对开发强关联二维晶体、丰富SC-2DEG输运理论、促进氧化物电子学发展将具有积极的意义。

“材料基因组”的理念是通过对材料进行理论上的筛选、设计，以实现新材料开发的周期和成本减半。在此框架下，本项目以热电材料为主要研究内容，在数据库建立，热电势的物理理解，机器学习模型开发等方向取得了一系列的成果。主要包括：采用第一性原理和玻尔兹曼方程的高通量计算，建立了包括电导率，Seebeck系数和功率因子的二维材料热电数据库；通过提取和整合热电材料相关文献中的数据，并与Materials Project数据库中计算的能带结构建立链接，建立了具有1000+条目的热电数据库，包含了多种钙钛矿与类钙钛矿材料；对各种可以提高热电势的机制和效应进行了系统研究，提出高熵陶瓷材料中有希望解决能量过滤效应中的尺度依赖和刚带近似问题，并将对此展开进一步研究；开发了基于元素周期表表示和深度神经网络的机器学习算法，其中深度学习方法可以捕捉到元素周期表的内部结构，以更好的预测新材料尤其是高熵陶瓷材料的稳定性。依托本项目支持，项目组成员以通讯/第一作者身份发表论文20余篇，其中包括Physical Review Letters， Chemical Science等高影响力权威期刊。本项目为机器学习与数据科学方法在热电材料开发等领域的应用提供了一些新的思路和方法。