利用机器学习寻找二维磁性拓扑绝缘体数据集

具有非传统电子特性的拓扑材料因其基础研究和实际应用价值而被广泛研究。通过基于对称性的分析和从头算计算，已识别出数千种拓扑材料。然而，具有真正完整带隙的磁性拓扑绝缘体依然稀少。在本研究中，我们利用现有材料数据库，通过监督学习训练神经网络，开发了一种启发式化学规则，用于电子拓扑的诊断。该学习规则具有可解释性，并能以较高的准确性仅通过化学式和Hubbard 𝑈 参数来判断材料是否具有拓扑特性。接下来，我们评估了模型在不同材料范畴中的性能表现。最后，我们将机器学习的规则与从头算计算相结合，在二维材料数据库中进行高通量筛选，以寻找磁性拓扑绝缘体。我们发现了六类新的Chern绝缘体（共15种材料），其中四类（共7种材料）具有完整的带隙，具有实验观察的潜力。我们预计，本文提出的机器学习规则可以作为反向设计和新拓扑材料发现的指导原则。