基于机器学习势函数加速点缺陷光发射计算：DFT精度与计算效率的协同突破

《npj Computational Materials》：Accelerating point defect photo-emission calculations with machine learning interatomic potentials

本研究针对传统密度泛函理论(DFT)计算点缺陷光致发光(PL)光谱效率低下的瓶颈，开发了一种基于通用机器学习原子间势(MLIP)的加速计算框架。研究人员通过用MLIP替代DFT计算声子模式，在保持ab initio精度的同时将计算速度提升一个量级以上。该研究在包含791个二维晶体点缺陷的基准数据集上验证了方法的可靠性，发现Mattersim-v1-5M(MLIP)模型在黄-里斯(HR)因子和PL谱线形状预测方面与DFT结果高度一致，为高通量筛选缺陷工程材料开辟了新途径。

　　

在材料科学与凝聚态物理研究领域，晶体缺陷犹如材料世界的"基因突变"，能够显著改变甚至决定主体材料的磁学、电子学、光学和力学特性。特别是在量子技术应用中，宽禁带半导体中的点缺陷可作为单光子源（如金刚石中的NV色心）、量子传感器（通过光探测磁共振效应）或量子信息存储介质（利用缺陷局域化的电子自旋）。然而，理解缺陷与光的相互作用机制，特别是在非平衡条件（如光激发）下缺陷与宿主晶格动力学自由度的强耦合，一直是该领域的重大挑战。

传统上，研究人员依赖密度泛函理论(DFT)和微扰理论等第一性原理计算方法来建立原子尺度缺陷构型与宏观可观测量之间的桥梁。其中，缺陷的光致发光(PL)光谱是核心研究手段，它编码了缺陷电子跃迁与晶格振动（声子）之间的相互作用。然而，DFT计算多原子超胞的声子模式成为PL光谱计算的瓶颈，严重限制了高通量筛选缺陷工程材料的能力。

针对这一挑战，来自丹麦技术大学和波鸿鲁尔大学的研究团队在《npj Computational Materials》上发表了一项创新研究，提出了一个结合通用机器学习原子间势(MLIP)与DFT激发态计算的计算框架，实现了点缺陷光发射性质的高效精准预测。

研究方法上，团队首先通过DFT计算获取缺陷的基态(GS)和激发态(ES)几何结构，构建连接两者的结构位移向量ΔR。随后采用七种主流通用MLIP模型（Mattersim-v1-5M、MACE-MPA-0、M3GNet等）计算声子模式和频率，替代传统的DFT声子计算。关键技术创新包括：开发混合声子方法，在缺陷周围局部区域使用DFT力常数，其余区域使用MLIP预测；对分子发射体系引入D3色散校正；应用直接优化最大重叠轨道方法(DO-MOM)处理激发态计算。

研究结果方面，团队在包含791个二维材料点缺陷的基准数据集上系统评估了各MLIP模型的性能。

在HR因子预测准确性方面，研究发现Mattersim-v1-5M(MtS)模型表现最佳，其平均绝对误差(MAE)为0.79，平均绝对百分比误差(MAPE)为12.3%。

值得注意的是，对于HR因子较小(S_DFT<4)的体系，MAE降至0.25(MAPE=9.25%)，而这类小HR因子缺陷正是量子技术应用中的优选对象。

在结构位移依赖性方面，研究揭示了预测精度与基态-激发态间结构重组程度的相关性。

结构位移ΔQ较小的体系预测精度更高，这一规律与缺陷的电荷态和磁性状态无关，表明MtS方法适用于复杂缺陷体系的高通量筛选。

在电荷与磁性状态无关性方面，研究发现MtS模型对不同电荷态(q=-1,0,+1)缺陷的HR因子预测具有一致性，MAE分别为0.80、0.83和0.73。

同时，模型对磁矩1-7μ_B的缺陷体系均表现出稳定的预测精度，表明方法对自旋极化体系具有良好适用性。

在PL谱线形状预测方面，研究选取12个代表性点缺陷（包括体材料缺陷如金刚石NV色心、硅中替代缺陷，以及二维材料中的各类缺陷）进行全谱分析。

结果显示MtS预测的PL谱线与全DFT计算结果高度一致，验证了方法在实际应用中的可靠性。对于HR因子预测误差较大的体系，PL谱形也相应出现偏差，

表明HR因子精度可作为PL谱形预测可靠性的描述符。

在混合声子方法验证方面，针对MLIP预测误差较大的体系，研究开发了混合声子方法，在缺陷周围局部区域(r_c=4-5?，对应16-20个原子)使用DFT力常数。

该方法将HR因子的平均误差从48.7%显著降低至5.1%，证实缺陷周围原子的力预测误差是主要误差源。

在分子发射器拓展应用方面，研究将方法拓展至表面吸附分子体系（terrylene分子吸附在h-BN表面）。

结果显示MtS准确预测了孤立分子和分子-基底体系的PL光谱，包括h-BN基底诱导的低能侧带（约5 meV的呼吸和倾斜模式），证明了方法的普适性。

研究结论与讨论部分强调，该工作首次系统地将通用MLIP应用于缺陷光学性质预测，建立了计算效率与光谱保真度之间的有效平衡。方法的核心优势在于：MLIP仅用于计算基态构型的声子，而对电荷/磁性态敏感的结构位移向量ΔR仍由DFT计算，这种分工确保了预测可靠性。研究的创新性体现在三个方面：首次大规模基准测试通用MLIP在缺陷PL光谱预测中的性能；开发混合声子方法局部校正MLIP误差；将方法成功应用于从晶体点缺陷到分子-基底接口的多样化体系。

该计算框架将PL光谱计算速度提升一个量级以上，使复杂材料体系的缺陷光学性质高通量筛选成为可能，为量子材料、光电器件和能源材料等领域的缺陷工程研究提供了强大工具。随着通用MLIP模型的不断优化和训练数据的扩展，这种基于机器学习加速的计算范式有望成为计算材料科学的标准方法，推动材料设计与发现进入新阶段。