9月4日消息，arXiv于9月2日收到一篇来自印度科学研究所（IISc）的论文（编号2609.02883），作者为Ritam Chakraborty与Arpan Das，聚焦二维光催化剂高通量筛选中的泛函精度瓶颈。

研究要解决的问题：半导体级DFT计算中常用的半局域PBE泛函会系统性低估带隙，将窄带隙半导体错标为金属，导致可行的光催化剂在筛选阶段即被错误剔除。团队以计算二维材料数据库（C2DB）为对象，开发了两阶段机器学习方案：第一阶段用结构、化学、磁性与稳定性描述符（刻意排除HSE06/GW量和PBE电子捷径）对PBE误判金属进行分类分诊；第二阶段对修正后的绝缘体群体学习HSE06与PBE带隙之差。

核心数据：精选XGBoost回归模型以0.108 eV平均绝对误差（R²=0.989）重构HSE06带隙，相比之下原始PBE误差高达1.036 eV——精度提升近一个数量级。对六个机器学习预测化合物的定向VASP HSE06验证给出0.417/0.182/0.110 eV的材料级误差（分别对应三种模型），其中1AgBr-1移出带隙窗口上限后仍保留28个宽松候选。

应用结果：修正后的pH=0电子结构筛选产出10个严格候选和29个宽松绿氢光催化剂候选；若按PBE水平执行同样的1.6-2.8 eV带隙窗口，其中4个严格候选和18个宽松候选将被漏掉——即超过三分之一的优质候选会死于泛函误差。

科学意义：该工作把混合泛函级精度的带隙预测成本降低到机器学习推理水平，为绿氢光催化剂、光伏材料等带隙敏感应用的大规模筛选提供了可复用的精度修复范式。对光解水制氢领域而言，候选材料的系统性扩容意味着实验验证起点池的实质性扩充。 （来源：arXiv）