董延华，佘安琪，王 铭，梁久欣，孙宏宇

(吉林师范大学 计算机学院，吉林 四平 136000)

0 引言

近年来，对化学空间的高通量探索极大地帮助了合理的材料设计和发现.目前已有大量材料性能(包括电子结构、热力学和结构性能)的开放数据库.机器学习统计技术正逐渐进入材料科学领域[1]，基于机器学习的方法对材料在明确定义的化学空间内进行预测的有效途径是对目标化学空间内的新化合物进行预测[2].通过机器学习来预测材料性质的例子包括预测分子和周期系统的性质、过渡态、电势、结构分类、介电性质和能带隙的预测[3].二维材料是由一个或多个不垂直排列和周期性的原子层组成的晶体材料，具有许多独特的物理和化学特性.与三维材料的结构相比，二维材料的化学和结构修饰的可能性使其成为材料科学的主要研究对象[4].二维材料主要由石墨烯，单元素的硅烯、锗烯、锡烯、硼烯、黑磷，过渡金属硫族化合物(MoS2、WSe2等)，主族金属硫族化合物(SnS、SnS2等)以及h-BN、Bi2O2Se等组成[5-7].多元化合物在催化、电池等方面都有广泛的应用，相较于石墨烯而言，多元化合物组分和结构的多样性，使其具有许多物理和化学特性[7-8].

带隙是绝缘体和半导体中价带顶部和导带底部之间的电子伏特能量差，是电子脱离束缚态所需的最小能量[9].计算带隙的实验需要大型且昂贵的设备，十分烦琐，有些材料需要特殊的环境处理，因此，精确计算带隙仍然是固体物理中尚未解决的……