strain2DOS：机器学习重建非均匀应变MoS₂局部电子结构

strain2DOS是由SHazra321开发的开源项目（GitHub链接：https://github.com/SHazra321/strain2DOS），核心是通过机器学习从拉曼光谱数据预测二硫化钼（MoS₂）的态密度（DOS）分布，实现非均匀应变下材料局部电子结构的快速重建。该项目对应论文为arXiv:2603.29298，解决了传统第一性原理计算（DFT）成本高昂、难以大尺度空间映射的问题，为二维材料研究提供高效工具。

二维材料MoS₂在柔性电子、光电器件等领域应用广泛，但机械应变会改变其电子结构，影响器件性能。传统DFT计算虽精确，但计算成本高，无法实现大尺度空间映射。strain2DOS项目旨在通过数据驱动方法，替代昂贵的DFT计算，快速获取应变状态下MoS₂的局部电子结构信息。

项目采用监督学习方法建立拉曼光谱特征与DOS的映射关系，流程如下：

1. 数据采集：通过DFT计算获取不同应变配置下的DOS数据；
2. 特征工程：从拉曼光谱提取应变相关特征；
3. 模型训练：用神经网络学习光谱特征到DOS的映射；
4. 空间重建：将模型应用于实验拉曼应变图谱，重建局部电子结构。 神经网络需应对多输入映射、物理约束（如非负性）、空间泛化等挑战。

项目提供两个核心Jupyter Notebook：

• Training_Prediction_DOS.ipynb：负责模型训练与基础预测，步骤包括加载DFT训练数据（train_dos.csv）、构建模型、训练监控与评估；
• PostProcessing_DOS_map.ipynb：用于后处理与空间映射，读取模型权重、拉曼应变数据（raman_strain.csv），输出空间分辨DOS分布图。 数据集说明：train_dos.csv含DFT计算的DOS训练数据，raman_strain.csv为示例应变图谱数据。

系统要求：

配置项	最低要求	推荐配置
Python	3.8+	3.10+
内存	8GB	16GB+
CPU	多核处理器	现代多核CPU
GPU	可选	NVIDIA GPU（加速训练）

安装步骤：

1. 克隆仓库：git clone https://github.com/SHazra321/strain2DOS.git && cd strain2DOS
2. 安装依赖：pip install -r requirements.txt && pip install jupyter
3. 启动Jupyter：jupyter notebook 运行Training_Prediction_DOS.ipynb后，再运行PostProcessing_DOS_map.ipynb完成空间重建。

成功运行后可获得以下可视化结果：

• 训练损失曲线：展示模型收敛过程；
• 带隙预测图：模型预测值与DFT计算值对比；
• 空间带隙重建图：二维空间带隙分布热图；
• 实验PL数据对比：与实验光致发光数据验证。 这些结果帮助理解应变对MoS₂电子性质的影响，指导器件设计。

项目的科学意义与应用价值包括：

1. 加速材料表征：替代昂贵DFT计算，快速获取电子结构信息，加速表征流程；
2. 无损检测潜力：结合拉曼光谱的无损特性，实现器件工作状态下电子结构实时监测；
3. 方法论普适性：虽聚焦MoS₂，但光谱-电子结构映射思路可推广到其他二维材料体系，为材料信息学提供新范式。

局限性：

• 数据依赖性：模型性能受训练数据覆盖范围限制；
• 物理可解释性：神经网络黑箱特性导致物理机制理解困难；
• 泛化能力：对训练集外的应变模式表现可能不佳。

未来方向：

• 引入物理约束损失函数，提升预测结果物理合理性；
• 用可解释AI技术揭示光谱-DOS映射的物理机制；
• 扩展到多层异质结等复杂材料体系。