Advanced beyond-silicon electronic technology requires both channel materials and also ultralow-resistance contacts to be discovered1,2. Atomically thin two-dimensional semiconductors have great potential for realizing high-performance electronic devices1,3. However, owing to metal-induced gap states (MIGS)4-7, energy barriers at the metal-semiconductor interface-which fundamentally lead to high contact resistance and poor current-delivery capability-have constrained the improvement of two-dimensional semiconductor transistors so far2,8,9. Here we report ohmic contact between semimetallic bismuth and semiconducting monolayer transition metal dichalcogenides (TMDs) where the MIGS are sufficiently suppressed and degenerate states in the TMD are spontaneously formed in contact with bismuth. Through this approach, we achieve zero Schottky barrier height, a contact resistance of 123 ohm micrometres and an on-state current density of 1,135 microamps per micrometre on monolayer MoS2; these two values are, to the best of our knowledge, the lowest and highest yet recorded, respectively. We also demonstrate that excellent ohmic contacts can be formed on various monolayer semiconductors, including MoS2, WS2 and WSe2. Our reported contact resistances are a substantial improvement for two-dimensional semiconductors, and approach the quantum limit. This technology unveils the potential of high-performance monolayer transistors that are on par with state-of-the-art three-dimensional semiconductors, enabling further device downscaling and extending Moore's law.

We present in situ environmental transmission electron microscopy (ETEM) observation of metallic lithium nucleation, growth and shrinkage in a liquid confining cell, where protrusions are seen to grow from their roots or surfaces, depending on the overpotential. The rate of solid-electrolyte interface (SEI) formation affects root vs. surface growth mode, with the former akin to intermittent volcanic eruptions, giving kinked segments of nearly constant diameter. Upon delithiation, root-grown whiskers are highly unstable, because the segmental shrinkage rate depends on Li+ transport across SEI, which is the greatest around the latest grown segment with the thinnest SEI, and therefore the near-root segment often dissolves first and the rest of the whisker then loses electrical contact. These electrically isolated dead lithium branches are also easily swept away into the bulk electrolyte to become “nano-lithium flotsam” because the hollowed-out SEI tube is very brittle. Our observations are consistent with SEI-obstructed growth by two competing mechanisms; surface growth of dense Eden-like clusters and root growth of whiskers, resulting from the voltage-dependent competition between lithium electrodeposition and SEI formation reactions. Similar phenomena could occur whenever chemical deposition/dissolution competes with irreversible side reactions that form a passivating layer on the evolving surface.

Epitaxial heterostructures based on oxide perovskites and III–V, II–VI and transition metal dichalcogenide semiconductors form the foundation of modern electronics and optoelectronics1–7. Halide perovskites—an emerging family of tunable semiconductors with desirable properties—are attractive for applications such as solution-processed solar cells, light-emitting diodes, detectors and lasers8–15. Their inherently soft crystal lattice allows greater tolerance to lattice mismatch, making them promising for heterostructure formation and semiconductor integration16,17. Atomically sharp epitaxial interfaces are necessary to improve performance and for device miniaturization. However, epitaxial growth of atomically sharp heterostructures of halide perovskites has not yet been achieved, owing to their high intrinsic ion mobility, which leads to interdiffusion and large junction widths18–21, and owing to their poor chemical stability, which leads to decomposition of prior layers during the fabrication of subsequent layers. Therefore, understanding the origins of this instability and identifying effective approaches to suppress ion diffusion are of great importance22–26. Here we report an effective strategy to substantially inhibit in-plane ion diffusion in two-dimensional halide perovskites by incorporating rigid π-conjugated organic ligands. We demonstrate highly stable and tunable lateral epitaxial heterostructures, multiheterostructures and superlattices. Near-atomically sharp interfaces and epitaxial growth are revealed by low-dose aberration-corrected high-resolution transmission electron microscopy. Molecular dynamics simulations confirm the reduced heterostructure disorder and larger vacancy formation energies of the two-dimensional perovskites in the presence of conjugated ligands. These findings provide insights into the immobilization and stabilization of halide perovskite semiconductors and demonstrate a materials platform for complex and molecularly thin superlattices, devices and integrated circuits. An epitaxial growth strategy that improves the stability of two-dimensional halide perovskites by inhibiting ion diffusion in their heterostructures using rigid π-conjugated ligands is demonstrated, and shows near-atomically sharp interfaces.

The adverse drug-drug interaction (DDI) is a crucial safety concern in drug development. The intricate combinations of traditional Chinese medicine (TCM), while powerful in their therapeutic potentials, also harbor potential risks when incompatibly paired. Some methods have been proposed to infer incompatible herb pairs (IHPs), but most of them focus on revealing and analyzing the adverse reactions of known IHPs, despite that there are still a number of undiscovered IHPs at intervals. This paper introduces a deep attention network (AN-IHP) that effectively exploits diverse types of data for IHPs prediction. AN-IHP designs an attention-aggregation block to learn the ingredient-level features towards herbs and use similarity profiles to represent the efficacy and property. Then it defines commonality and specificity constraints to enhance the representations from different types of features. After that, it makes dynamic representation fusion across herb pairs using a gated attention unit (GAU) and leverages a deep neural network (DNN) to predict IHPs. The experimental results on the collected IHPTCM dataset demonstrate that AN-IHP outperforms competitive methods. AN-IHP provides interpretability for analyzing IHPs at the ingredient level, proves beneficial for wet-lab experiments. It is also capable of predicting DDIs.