一种用于预测结构无序的γ-Ga?O?晶格热导率的神经进化方法

《Computational Materials Science》：A neuroevolution potential for predicting the lattice thermal conductivity of structurally disordered γ-Ga 2O 3

本研究基于神经进化势框架结合多轮主动学习策略，开发了适用于γ-Ga?O?多构型的机器学习势模型。通过非平衡分子动力学模拟计算不同晶向的热导率，发现[001]方向显著低于[100]和[010]，主要源于低频声子贡献（0-6 THz范围），结构无序性加剧声子散射并抑制高频声子作用，不同构型热导率差异较小。

　　

杨芳伟|孙浩然|杨晓欣|李旭|杨刚

新疆大学智能科学与技术学院，乌鲁木齐830047，中国

摘要

近年来，具有缺陷尖晶石结构的γ-Ga₂O₃的晶格热导率引起了工业界和学术界的广泛关注。然而，由于其固有的结构无序性，使用第一性原理方法准确预测其热导率仍然具有挑战性。为了克服这一挑战，本研究开发了一种适用于多种γ-Ga₂O₃构型的机器学习原子间势能模型，该模型基于神经进化势能框架并结合了多轮主动学习策略。利用这种势能模型，计算了不同γ-Ga₂O₃配置在各种晶体学方向上的热导率。结果表明，在相同结构下，[100]和[010]方向上的热导率基本相同，而[001]方向上的热导率显著较低。此外，所有配置的热导率主要来源于0–6 THz范围内的低频声子。高度无序的结构加剧了声子散射，显著降低了群速度，导致高频声子对热传输的贡献有限。另外，不同配置在声子传输特性上表现出高度相似性，因此它们之间的热导率差异相对较小。

引言

超宽带隙半导体Ga₂O₃的带隙超过4.8 eV，理论击穿电场高达8 MV/cm，Baliga优值（BFOM）高达3440，大约是氮化镓（GaN）的四倍。[1]、[2]、[3]、[4]、[5] 这些优异的性能使得Ga₂O₃成为电力电子、太阳盲紫外光检测、气体传感和太阳能电池应用中的极具前景的材料。[6]、[7] 因此，它有望成为下一代高功率电子设备的核心材料。

与其他多晶氧化物（如Al₂O₃、In₂O₃和Sb₂O₃）类似，Ga₂O₃通常具有五种不同的晶体结构：单斜β相（空间群C2/m）、菱形α-Ga₂O₃（空间群$R\bar{3}c$）、缺陷尖晶石立方γ-Ga₂O₃（空间群$\mathrm{Fd}\bar{3}m$）、正交ε/κ-Ga₂O₃（空间群Pna2₁）和立方δ-Ga₂O₃（空间群$\mathrm{Ia}\bar{3}$）。[8]、[9]、[10] 在所有Ga₂O₃多形体中，β相是热力学上最稳定的，其他相在特定条件下可以转化为β相。[11] 除了β相之外，α-Ga₂O₃是第二种在半导体器件应用中最常见的多形体。它具有最大的带隙（约5.3 eV），并且可以与晶格失配小于0.3%的等结构p型氧化物形成异质结，有利于构建高效的p-n结。[12] ε-Ga₂O₃表现出显著的极化特性，可以与GaN和AlN等材料形成异质结，这一特性可用于调节界面电荷传输行为。[13]、[14] γ-Ga₂O₃的结构与γ-Al₂O₃类似，都属于含有阳离子空位的立方缺陷尖晶石结构类型。其立方晶胞包含32个氧原子，全部占据32e Wyckoff位置。根据化学计量比，相应的Ga原子数量为64/3。[15] Ga原子的占据情况很复杂：除了占据理想尖晶石结构中的四面体8a（Ga1）和八面体16d（Ga2）位点外，还有部分原子占据四面体48f（Ga3）和八面体16c（Ga4）位点。这种多位点分布导致了γ-Ga₂O₃的固有结构无序。[9]、[16]

尽管氧化镓在高功率电子设备中具有广阔的应用前景，但其固有的低热导率是一个主要挑战，因为它容易导致器件性能下降。例如，β-Ga₂O₃在室温下的热导率几乎是氮化镓的十分之一。[17]、[18]、[19] 随着温度的升高，电子-声子散射增强进一步降低了电子传输效率，从而降低了器件性能。因此，全面了解其热性质对于有效进行热管理至关重要。

在Ga₂O₃热导率研究领域，Santia等人[20]早期使用第一性原理计算结合声子玻尔兹曼传输方程的迭代解系统研究了β-Ga₂O₃的热导率各向异性。随后，Jiang等人[21]采用时域热反射（TDTR）测量了[010]取向的β-Ga₂O₃单晶的三维热导率张量，发现[001]和[102]方向上的热导率最大，而[100]方向上的热导率最小。Yang等人[22]专注于α-Ga₂O₃，将其低热导率归因于强烈的声子非谐散射以及Ga和O原子之间的质量差异和键合强度差异。此外，Abdullaev等人[23]使用兆赫调制TDTR研究了γ/β-Ga₂O₃异质结构的跨平面热导率和深度剖面，并用机器学习势能模型对其中一种γ-Ga₂O₃配置进行了补充计算。Sun等人的工作[24]进一步证明了多晶相的存在显著影响了Ga₂O₃的热导率，强调了微观结构在热传输中的关键作用。

目前测量晶格热导率（LTC）的实验技术主要包括3ω方法、瞬态热反射（TTR）和时域热反射（TDTR）。[23]、[25]、[26]、[27]、[28] 理论方法主要基于密度泛函理论（DFT）进行第一性原理计算、平衡和非平衡分子动力学模拟、传统经验模型以及新兴的机器学习方法。[29]、[30]、[31]、[32] 其中，DFT可以准确采样势能面并提供原子间力信息，但其高计算成本限制了其在模拟大规模热传输过程（特别是像γ-Ga₂O₃这样的复杂晶体）中的应用。[9]、[16]、[33] 经验模型虽然计算效率高，但通常精度有限。[34]

近年来，基于机器学习（ML）的原子间势能在模拟大规模原子系统和复杂晶体结构方面显示出显著优势。这得益于它们能够绕过预定义的函数形式，直接从参考数据中学习势能面的映射。例如，Zhang等人[35]使用ML方法筛选了88种潜在的p型掺杂剂用于β-Ga₂O₃，确定了Mg、Zn和Cd为最佳候选者，Be、Cu、N和Hg为次要选择。Zhou等人[36]结合第一性原理计算和矩张量势能（MTP）[37]、[38]，发现用Al替代Ga在八面体位点上可以显著提高热导率至38.91 W/(m·K)，是原始β-Ga₂O₃的两倍多。Dong等人[39]使用开发的MTP势能研究了含有氧空位的β-Ga₂O₃的热传输特性。Liu等人[40]和Luo等人[41]分别使用高斯近似势能（GAP）[42]和深度势能（DP）[44]、[45]研究了β-Ga₂O₃的热性质。Rybin等人[46]使用MTP势能研究了α-Ga₂O₃的热传输性能。Sun等人[47]使用神经进化势能（NEP）[48]方法报告了ε-Ga₂O₃的热导率。除了MTP、GAP和DP、NEP之外，还存在其他类型的ML势能，包括神经网络势能（NNP）[49]、[50]、光谱邻居分析势能（SNAP）[51]、[52]和原子簇扩展（ACE）[53]。

目前，关于γ-Ga₂O₃晶格热导率的机器学习研究采用了Zhao等人[54]开发的混合镓氧化物势能模型，但仅计算了单一配置的热导率，缺乏对其热传输特性的系统分析[23]。此外，γ-Ga₂O₃中的Ga原子位点具有复杂的部分占据情况，导致明显的结构无序。研究其热导率需要构建包含大量原子的大尺寸无序超胞，这使得热性质计算比其他Ga₂O₃多形体更加具有挑战性。[55]、[56] 因此，本研究基于NEP框架开发了一种用于单相γ-Ga₂O₃的机器学习原子间势能，旨在系统研究不同配置对其热传输行为的影响。

章节片段

训练数据生成和NEP模型的训练

在这项工作中，所有DFT计算均使用VASP软件包进行。[57]、[58] 我们采用了投影增强波（PAW）方法和Perdew-Burke-Ernzerhof（PBE）泛函，在广义梯度近似（GGA）框架下进行计算。[60] 从Ratcliff等人[9]筛选的1 × 1 × 3超胞结构中，选择了六种低能量代表性配置。这些配置包括三种不同的Ga原子占据类型，每种类型有两个结构。

NEP势能的准确性

如补充图S3–S6所示，第一代机器学习势能在预测新结构的维里应力和压力方面存在显著缺陷。在纳入第一次主动学习周期选定的数据集后，第二代势能在预测能量、原子力和维里应力方面有了明显改进。然而，维里应力和压力的均方根误差仍然相对较高。

总结与结论

本研究通过四轮主动学习开发了一种用于γ-Ga₂O₃的原子间势能模型。该势能在预测能量、原子力和维里应力方面表现出高准确性。利用该模型，我们通过均匀非平衡分子动力学模拟系统研究了不同配置的热传输特性。考虑到这种材料的固有结构无序性，我们选择了六个代表性的原子配置进行热

CRediT作者贡献声明

杨芳伟：撰写 – 审稿与编辑，撰写 – 原稿，软件，方法论，形式分析，数据管理，概念化。孙浩然：撰写 – 审稿与编辑，概念化。杨晓欣：撰写 – 审稿与编辑，形式分析。李旭：撰写 – 审稿与编辑，形式分析。杨刚：撰写 – 审稿与编辑，撰写 – 原稿，监督，资源获取。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

感谢国家自然科学基金（授权号：62564013）和天池创新领军人才计划（授权号：51052401405）的财政支持。同时，我们也感谢济南国家超级计算中心提供的优秀高性能计算资源。