原子掺杂近年第一性原理计算发展迅速，成为揭示机理和缺陷态的主要手段。基于DFT提出了多种，如单原子掺杂、共掺杂等，广泛应用于、、MOFs和金属氧化物体系。

机器学习DFT什么是掺杂？

。nDFT计算这些计算可以定量分析掺杂所引入的缺陷态、载流子浓度及其对电子结构的影响，从而为掺杂策略设计提供理论依据。

在实际计算中，为克服常规（如GGA/LDA）在带隙和缺陷能级计算上的不足，研究者常引入LDA+U、杂化泛函或带隙校正算符等方案对计算结果进行校正此外，为了准确模拟掺杂体系的磁性，需要采用自旋极化计算并分析自旋极化态密度。第一性原理模拟通常结合态密度（）、偏振电荷密度和态分布分析，揭示掺杂原子与主材相互作用的电子本质。

DOI：10.7498/aps.73.20231960

在二维材料和传统半导体中，。对于石墨烯等二维材料，研究表明引入N、B、S等杂原子可以显著调制吸附能和导电性，从而改善传感和催化性能。

等基于DFT的研究证实掺杂改性可显著提升石墨烯基有毒气体传感器的灵敏度。

LiSnS₂此外，对传统半导体材料如硅、氮化镓等的掺杂研究也十分丰富，。

对于多孔材料（如）和金属氧化物，掺杂调控策略也在不断拓展研究者在金属有机框架中引入不同金属离子或有机配体，以调整孔道性质和催化活性；比如将过渡金属离子掺入等MOF中，可显著改善其对气体分子的吸附能力。

这些DFT。

在催化领域，。例如，在析氢（）和析氧（OER）反应中，MoS₂中引入V、Co等过渡金属或杂原子可显著优化其催化活性。

DFT在光电子和光催化应用方面，掺杂同样效果显著例如等向MAPbBr₃钙钛矿纳米晶掺入Mn²⁺可显著提高材料的光致发光效率和结构稳定性。

Mn类似地，在光电探测和光催化领域，通过对、TiO₂、ZnO等材料进行掺杂，可以调节其能带结构，提高光吸收和载流子分离效率，进而提升太阳能电池及传感器等器件性能。

掺杂引起的变化是什么？

计算能够详细揭示掺杂对材料电子结构的影响。一般来说，。

Li许多研究利用部分态密度（）分析发现，掺杂原子往往贡献显著的杂质DOS峰。

同时，。例如，向氧化物中掺入磁性元素通常会形成自旋极化的轨道态，为材料带来磁性。

，这提升了其反键轨道能量，使与吸附物的DOI：10.3390/molecules28217304

DFT总结

DFT传统计算通常基于平衡晶格和有限超胞，难以完全模拟高浓度、多种掺杂原子并存以及实验条件下的热力学不平衡情况同时，方法对交换–关联泛函的选择、带隙低估等固有局限依然存在，尽管引入+U和杂化泛函有所改善。另一方面，：此外，大规模体系（如纳米结构、缺陷集群）的计算代价高昂，需要更高效的模拟工具。

DFT。有研究将计算与机器学习相结合，针对不同尺寸和掺杂水平的Zn掺杂MgO纳米粒子开发了加权k近邻模型，用于预测其电子态密度。

结合高通量计算、数据驱动设计和先进实验表征，将有助于系统筛选和发现新型掺杂材料此外，多尺度模拟和第一性原理嵌入场景模拟也有望更加真实地再现实验条件，为原子掺杂调控设计提供更精确的理论支撑。