利用等变神经网络预测半导体缺陷的温度依赖性光电特性
《npj Computational Materials》:Predicting temperature-dependent optoelectronic properties of semiconductor defects with equivariant neural networks
【字体:
大
中
小
】
时间:2026年05月13日
来源:npj Computational Materials 11.9
编辑推荐:
摘要:缺陷的存在极大地影响了半导体的行为。然而,即使在密度泛函理论的支持下,预测有限温度下有缺陷材料的电子特性仍然是一个计算成本较高的问题,这主要是由于模拟单元中原子数量众多以及热力学上可访问的配置种类繁多。在本文中,我们提出了一种基于神经网络的框架,用于高效研究有限温度下有缺陷
摘要:缺陷的存在极大地影响了半导体的行为。然而,即使在密度泛函理论的支持下,预测有限温度下有缺陷材料的电子特性仍然是一个计算成本较高的问题,这主要是由于模拟单元中原子数量众多以及热力学上可访问的配置种类繁多。在本文中,我们提出了一种基于神经网络的框架,用于高效研究有限温度下有缺陷半导体的电子特性。我们开发了一种主动学习方法,该方法整合了两种先进的等变图神经网络:MACE用于原子能量和力的预测,DeepH-E3用于电子哈密顿量的计算。以砷化镓(GaAs)中的代表性点缺陷为例,我们展示了与密度泛函理论相当的计算精度,而且计算成本仅为后者的一个很小部分。我们仅通过较大规模的分子动力学轨迹就能直接预测出有缺陷的GaAs的温度依赖性带隙,准确度达到几十meV的水平。我们的结果突显了等变神经网络在复杂、动态演变材料中进行精确原子尺度预测的潜力。
引言:点缺陷的电子结构对包括绝缘体、金属和复杂氧化物在内的多种材料的物理行为具有重要影响,它决定了诸如离子传输、磁性和催化活性等性质。理解这些缺陷状态对于设计具有特定功能的材料至关重要,无论是在能量、量子还是电子应用领域。在半导体器件中,点缺陷在调整电子和光学特性方面起着关键作用,从而影响器件的性能、可靠性和效率。点缺陷既可以用于改变掺杂水平并控制载流子浓度,也可能成为不希望出现的复合中心,降低光电器件(如太阳能电池)的效率。通过计算建模可以更深入地了解半导体材料的缺陷特性,并支持功能器件的性能优化。尽管使用密度泛函理论(DFT)等方法可以预测缺陷结构、形成能、电荷转移和电子能级,但DFT中的周期性边界条件可能会在相邻缺陷之间产生人为相互作用。为了减轻这种人为效应,对有缺陷半导体的电子结构计算通常需要包含数十到数百个原子的大超胞。这使得基于第一性原理的计算变得非常昂贵,因为DFT实现的成本与原子数量N的立方成正比(O(N^3))。此外,在真实环境条件下建模缺陷行为时,考虑热振动也是至关重要的,因为热振动会影响缺陷的几何形状和可能的迁移,进而影响它们的光学和电子行为。例如,非谐振动已被发现会对卤化物钙钛矿半导体中点缺陷和表面的光电特性产生显著影响。捕捉这种行为通常需要分子动力学(MD)模拟,以采样材料中所有热力学上可访问的配置。沿着MD轨迹计算由大超胞表示的有缺陷半导体的电子特性,使得计算成本更加高昂。
近年来,机器学习(ML)技术的进步为材料原子尺度建模尤其是缺陷计算带来了新的机遇。在当前ML技术中,等变信息传递神经网络(MPNNs)在材料建模方面表现出色,它们通过显式引入三维空间对称性,提高了数据效率、可迁移性和预测精度。一系列有效的MPNNs被提出用于开发ML力场(MLFFs),与基于DFT的MD计算相比,这些力场可以大幅降低计算成本同时保持高精度,例如NequIP38、Allegro40和MACE41。这些方法正迅速成为基于DFT的MD模拟的有吸引力的替代方案,无需进行显式的第一性原理计算。虽然MPNNs和其他ML技术能够高效准确地生成MD轨迹,但它们本身并不直接提供有缺陷半导体的电子结构信息,仍然需要像DFT这样的计算密集型第一性原理方法。值得注意的是,最近的发展已经实现了基于MPNN的模型,能够学习量子力学哈密顿量,如DeepH43、HamGNN34、QHNet47、SELM48和MACE-H49。在哈密顿量学习中,使用来自第一性原理电子结构理论(如DFT)的数据来训练ML模型。一旦训练完成,ML模型就可以预测具有特定原子结构的材料的哈密顿量及其所有电子特性。
尽管MPNNs和其他ML技术有助于高效准确地生成MD轨迹,但它们并不能直接提供有缺陷半导体的电子结构信息,因此仍然需要像DFT这样的计算密集型方法。最近的研究进展已经开发出能够学习量子力学哈密顿量的基于MPNN的模型。在哈密顿量学习中,利用来自第一性原理电子结构理论的数据来训练ML模型。一旦训练完成,ML模型就能预测材料的哈密顿量及其所有电子特性。虽然哈密顿量学习主要应用于其他材料建模领域,但最近的研究表明,它可以与MLFFs结合使用。因此,哈密顿量学习可能是利用ML方法不仅进行MD模拟,而且绕过有缺陷半导体MD轨迹上昂贵的电子结构计算的一种有前景的方法。为了使哈密顿量学习在这种背景下有效,结合MD的MLFFs和用于电子结构预测的哈密顿量学习的工作流程是必不可少的。然而,据我们所知,目前还不存在这样的工作流程来预测有限温度下半导体缺陷的性质。
在这项工作中,我们假设当采用等变架构设计MPNNs时,它们能够准确预测高温下半导体缺陷的电子特性。这引出了我们的核心研究问题:MPNNs能否有效捕捉有缺陷材料中的温度依赖性电子行为,从而减少对计算密集型第一性原理方法的依赖?为了探索这一研究问题,我们整合了两种最先进的等变MPNNs,一种用于MLFFs,另一种用于量子哈密顿量的建模。具体来说,我们从MACE-MP0基础模型开始,使用DFT数据训练MACE MLFFs以生成不同温度范围内的准确MD轨迹,然后比较基于MACE的MLFFs与基于DFT的MD模拟在再现有缺陷半导体中的热驱动原子动力学方面的能力。通过将这些基于MLFF的MD模拟与进一步的DFT电子结构计算相结合,我们训练了一个DeepH-E3模型来学习量子力学哈密顿量。为了提高计算效率,我们提出了一种工作流程,将两种MPNNs嵌入到我们之前为几何松弛开发的主动学习策略中(见Homm等人和Bhatia等人的工作),并拓展到分子动力学领域。我们将这种组合形式应用于砷化镓(GaAs)中的电中性点缺陷,以实现以下研究目标:我们需要哪些以及多少训练配置?我们的框架在再现GaAs中点缺陷的DFT电子结构方面表现如何?我们能否捕捉到如砷反位(AsGa)这样的技术相关点缺陷的温度依赖性,这种缺陷被认为具有显著影响GaAs电子特性的电子中间带态?
结果:图1展示了我们结合MPNNs来预测高温下有缺陷半导体电子特性的工作流程。它包括两个部分:训练用于动态结构预测的MLFF和用于预测有缺陷半导体电子特性的哈密顿量学习。首先描述我们的工作流程,然后将其应用于典型的材料系统,即体块GaAs中的电中性点缺陷。具体来说,我们考虑了五种类型的缺陷:As(Asi)和Ga(Gai)间隙原子、As(VAs)和Ga(VGa)空位以及As反位(AsGa)。
基于MPNN的缺陷预测工作流程:图1提供了我们工作流程的概览,该流程结合了用于预测高温下有缺陷半导体电子特性的MPNNs。它包括两个部分:训练用于动态结构预测的MLFF和用于预测有缺陷半导体电子特性的哈密顿量学习。我们首先描述工作流程,然后将其应用于原型材料系统,即体块GaAs中的电中性点缺陷。具体来说,我们考虑了五种类型的缺陷:As(Asi)和Ga(Gai)间隙原子、As(VAs)和Ga(VGa)空位,以及As反位(AsGa)。
对于准确采样有缺陷GaAs的结构动力学,我们采用了MACE MPNN框架来训练一个等变MLFF。虽然可以使用第一性原理MD(AIMD)获得MLFF训练所需的原子配置,但这计算成本较高。因此,我们改用DFT数据对MACE-MP0基础模型进行微调,该数据是针对256个随机位移的64原子GaAs超胞获得的(见图1a和方法部分)。最初我们只包含了五种缺陷类型中的四种,并在训练MLFF时后来添加了AsGa缺陷(见下文)。我们发现这个初步微调后的模型提供了合理的但还不够精确的结果,与DFT结果相比,力的均方根绝对误差(MAE)约为25 meV/?(见方法部分)。然后我们在500 K温度下使用初始MLFF对所有五种缺陷类型进行MD计算,为每种缺陷类型生成500个配置,每个配置使用128个原子的超胞,并根据Homm等人53和Bhatia等人54的工作采用主动学习策略训练了一个改进的MACE模型(见图1b)。选择500 K这样相对较高的温度是为了探索更广泛的配置空间。我们生成了一个由MD生成的结构池,然后使用三种不同随机种子训练的MACE模型来预测作用在每个原子上的力。通过比较不同模型预测的力变化来计算力的不确定性。选择那些力不确定性超过10 meV/?配置的样本,并将其加入标记集以进行DFT数据的重新训练。这个阈值确保只包含那些力预测还不够可靠的配置。主动学习循环可以重复进行,直到获得足够精确的模型。一旦训练完成,我们就可以使用最终模型在LAMMPS中对GaAs中的五种缺陷类型进行长时间的MD模拟,从而获得具有热波动的结构集,以分析有限温度下的缺陷电子特性。
为了准确预测不同有缺陷超胞的电子特性及其热力学采样的原子配置,我们采用哈密顿量学习(见图1c)。对每个MD快照进行DFT计算来预测电子特性是非常耗时的,尤其是对于大型有缺陷系统。我们通过DeepH模型来规避昂贵的DFT计算。为了提高温度下的可迁移性,我们在100 K和500 K温度下使用最终的MACE MLFF进行MD计算,生成每个缺陷类型的500个配置集,并采用k均值聚类技术来选择结构(见方法部分)。具体来说,我们使用之前的相同主动学习方案训练DeepH模型43、44、45,以提高精度并有效探索配置空间(见图1c)。首先,我们从100 K和500 K下的五种缺陷的MD模拟中选择100个结构来初始化主动学习过程。然后在这个初始标记数据集上训练三个独立的DeepH模型。接下来,像训练MLFF时一样,我们从MD模拟中均匀采样1000个未标记的原子配置,形成结构池(见方法部分)。最后,我们通过计算模型预测的哈密顿量矩阵的最大标准差来估计三个模型之间的不确定性,这样对罕见异常值更敏感。与MLFF不同,我们在这里将不确定性最高的30个结构加入标记集,用DFT数据进行DeepH模型的训练。然而,为了避免过度拟合特定缺陷类型,我们在训练集中对每种缺陷类型添加了相同数量的样本(见方法部分)。我们重复主动学习循环,直到靠近带隙的本征值精度趋于饱和,表明不再有进一步的改进。这样得到的DeepH模型能够预测有缺陷系统的哈密顿量,随后我们评估其在不同温度、系统大小和缺陷类型下的性能和可迁移性。一个准确的模型将使我们能够预测缺陷半导体在高温下的电子性质(见图1d)。为了评估模型性能,我们构建了一个包含75个未见过的配置的测试集,这些配置是从100?K、300?K和500?K下的独立5 ps MD模拟中抽取的,每种缺陷类型各采样了25个配置。
使用上述程序(见图1),我们进行了多轮主动学习来训练MACE模型,使其能够预测GaAs中五种类型缺陷的能量和力。如图2a所示,主动学习过程收敛迅速,这通过训练期间未使用的结构测试集中的能量和力的平均绝对误差(MAE)的减小得到了证明。我们选择了在第二轮主动学习后获得的MACE模型,因为其力预测已经达到了很高的精度,MAE低于10?meV/?。
图2:主动学习的成果以及MACE模型在预测缺陷体GaAs中原子力和动力学方面的准确性。
图2b显示了最终MACE模型预测的原子力与DFT得到的原子力之间的比较。均方根误差(RMSE)范围从9?meV/?(Ga间隙缺陷,Gai)到16?meV/?(As间隙缺陷,Asi),表明该模型是准确的。在补充材料(见图S1)中,我们展示了在100?K和500?K下的额外结果。
为了进一步评估MACE MLFF的可靠性,我们展示了GaAs中砷反位缺陷的动态可观测量,并将其结果与基于DFT的MD模拟在300?K下的结果进行了比较(见图2)。图2c显示了振动密度态(VDOS),图2d显示了径向分布函数(RDF),g(r)。用MACE MLFF和AIMD计算的结果(蓝色实线)与DeepH模型预测的轨迹(橙色虚线)进行了比较,用于含有AsGa缺陷的体GaAs。
在图3a中,我们展示了使用我们的主动学习程序训练的DeepH模型预测的哈密顿量和能量本征值与DFT数据的准确性进行了比较。在12轮主动学习后(总共使用了460个训练结构),哈密顿量矩阵元素的MAE收敛到大约1?meV,能量本征值的MAE收敛到大约10?meV。基于这些结果,我们使用在460个结构上训练的模型来预测、基准测试和研究使用DeepH的缺陷GaAs的电子性质。
图3b、c中,我们比较了从DFT和DeepH模型计算的电子能带结构。在这种比较中,我们使用了432原子超胞,并选择了两种中性点缺陷,Asi和AsGa,在MD计算中在100?K下采样它们的结构。值得注意的是,我们在训练集中使用的超胞只包含128个原子。DFT和DeepH的结果在这里以及补充材料中的Figs. S3和S5中报告的其他情况都吻合得很好。具体来说,对于大多数能带,误差低于30?meV,尽管我们观察到432原子超胞中的缺陷能级可能会偏离多达50?meV。尽管20–50?meV范围内的误差不可忽视,但应在DFT计算固有的典型不确定性的背景下进行解释,因为这些计算是训练数据的基础。此外,我们观察到DeepH和DFT能带结构之间的许多残余差异表现为大致与k无关的刚性能级位移,而缺陷能级的色散和整体形状得到了很好的保留。这些发现表明我们的方法具有高精度,并且可以在系统大小、缺陷类型和温度之间进行转移。
在电子能带结构(见图3b、c)中,缺陷能级在带隙内表现为相对平坦的能带:Asi缺陷能级大约位于价带最大值(VBM)以上0.3?eV处,而AsGa缺陷能级位于带隙中间。来自缺陷的电子态的某种色散是可见的:与AsGa相关的中间态的色散更为明显,而更紧密限制在间隙位点的Asi态的色散斜率较弱。这种色散是由于DFT中存在的周期性边界条件以及更广泛的电子结构方法中的人为缺陷-缺陷相互作用引起的。虽然这些相互作用在有限超胞中仍然存在,但我们强调哈密顿量学习的效率使得可以在适度的计算成本下模拟更大的系统,在那里这些人为相互作用可以系统地减少(见补充材料,图S4)。
重要的是,DeepH再现了DFT计算的缺陷态的色散,包括其随超胞大小的变化。这一发现表明该模型可以捕捉到负责缺陷能级位置的短程化学效应,以及导致人为行为的更长程效应,这些效应在训练数据中得到了编码。一旦训练完成,DeepH在432原子超胞上的计算速度比DFT快了30多倍,这是在配备两个Intel Xeon Platinum 8168 CPU的节点上测量的(见补充材料,图S7)。这种计算加速使得能够高效预测数千个MD快照中缺陷系统的电子性质。
由于DeepH能够准确预测包含缺陷的热无序配置的电子结构,我们现在转向分析温度依赖的电子性质。在有限温度下,晶格振动会引起电子哈密顿量及其相应本征值的瞬时变化。因此,包括与缺陷相关的能级在内的材料能级会发生展宽和移动。在我们的工作流程中,我们使用MACE采样热可访问的配置,而使用DeepH将瞬时结构映射到相应的哈密顿量。因此,本研究中研究的电子结构的温度依赖性完全来源于哈密顿量对原子几何的依赖性。首先,我们使用DFT和DeepH计算了原始GaAs的带隙作为温度的函数(见图4a)。两种方法都预测了随着温度升高带隙的单调减小,这反映了由于晶格振动而众所周知的带隙重整化。值得注意的是,DeepH模型仅在缺陷结构上进行训练,但它能够很好地推广到原始系统。12?meV的MAE表明了良好的可转移性,并且与DFT实现中的典型数值误差相比仍然较小。图4b展示了Asi间隙缺陷的相应结果。同样,我们使用DeepH的工作流程准确地再现实了不同温度下的DFT带隙,MAE为22?meV。图4c展示了相对于VBM的缺陷能级能量,我们发现MAE为30?meV。为了评估工作流程中的误差传播,我们在300?K下进行了分阶段比较(见补充材料,表S1)。我们发现ML力场和哈密顿量学习对总误差的贡献约为20–30?meV,表明没有哪个阶段占主导地位。顺便提一下,Asi的存在对带隙的温度依赖性影响不大。然而,我们可以将我们的发现与在0?K下对松弛但静态结构进行的DFT计算进行比较,后者显示带隙为0.745?eV,缺陷能级为0.280?eV。确实,使用我们的工作流程进行的有限温度计算会引起几十meV的数量级系统变化和缺陷能级的显著展宽,这突显了纯静态描述无法捕捉的效应。这些热效应在其他半导体(如卤化物钙钛矿)中也可能相当显著。
图4:原始和缺陷GaAs的温度依赖电子性质。
最后,我们利用DeepH模型来预测AsGa缺陷能级的温度依赖性。在我们的工作中考虑的五种缺陷类型中,选择了AsGa作为代表性例子,因为它已被广泛研究,并且由于其带隙中间特性而众所周知地强烈影响电子结构。我们报告了相对于CBM的缺陷能级能量,并再次使用了250原子超胞。如图4d所示,缺陷能级与CBM之间的能量差随着温度的升高而减小。这种缺陷能级的上升主要是由于带边的重整化,而不是缺陷态本身的内在热诱导变化。除了缺陷能量的集合平均值外,我们还计算了热波动,并量化了缺陷能级的展宽,如图4d所示。随着温度的升高,缺陷能级不仅相对于CBM发生位移,而且还显著展宽,表明它们与热振动有关。这些发现为与实验技术的直接比较提供了坚实的基础,例如温度依赖的光致发光。在补充材料中,图S6中,我们展示了关于缺陷GaAs的压力依赖电子性质的额外结果,这些结果与实验数据在定性上是一致的。虽然带隙的压力依赖性与实验结果吻合得很好,但缺陷能级的压力响应在定量上不太明显,这反映了模型精度的内在局限性以及实验缺陷特征对应于过渡能量而不是单粒子本征值的事实。尽管基于第一性原理的方法(如密度泛函理论DFT)为缺陷材料提供了有价值的原子尺度洞察,但由于需要模拟大型超胞并考虑广泛的热可及构型,这些方法在计算上代价高昂。基于多投影神经网络(MPNNs)的机器学习(ML)模型大大加快了原子动力学和电子结构的独立计算速度。然而,目前还不存在一个统一的框架来全面集成预测缺陷半导体温度依赖性电子特性的方法。在这项工作中,我们提出了一个框架,该框架将两个MPNN集成在主动学习架构中,以计算效率高的方式预测缺陷半导体的电子特性。具体来说,我们结合了用于MLFF训练的MACE和用于哈密顿量学习的DeepH,并应用我们的工作流程来预测含有点缺陷的GaAs块状材料的结构动力学和电子特性。我们结合MPNN和主动学习的方法被证明能够协同产生准确的原子动力学和电子特性预测。标准的DFT方法对于捕捉温度依赖性特性所需的大量构型仍然代价高昂,而不保持基本物理对称性的ML方法可能在不同温度和缺陷类型之间缺乏泛化能力,尤其是在学习哈密顿量时。相比之下,我们的框架通过结合MACE和DeepH模型利用等变图神经网络来固有地保持物理对称性,从而实现了跨温度范围和缺陷结构的可转移性和准确性。我们的主动学习方法通过仅对最具信息量的构型进行DFT计算进一步减少了计算工作量。我们研究了我们的方法在典型半导体GaAs中已知缺陷上的性能,发现对于多个可观测量都有非常好的准确性。例如,我们的方法预测的缺陷GaAs的温度依赖性带隙误差小于30 meV,这与DFT实现固体时固有的数值误差相比非常小。该工作流程的计算优势可以通过将其与传统有限温度从头算方法进行比较来量化。我们的基于MPNN的框架大约需要100 CPU小时用于DFT标记,约200 CPU小时用于MACE主动学习中的力场分子动力学(MD)和创建DeepH池,以及60 GPU小时用于MACE和DeepH模型训练。一旦训练完成,基于MPNN的框架的生产运行将显著加速:对128原子GaAs超胞进行500 ps的MD运行,结合1000次电子结构评估,在完整的从头算工作流程中需要大约11,000 CPU小时,而在我们的基于MPNN的框架中仅需380 CPU小时。这种生产阶段的加速尤其重要,因为计算要求高的模型训练只进行一次,而完整的从头算方法每次后续生产运行都会产生大量的计算成本。这一优势在更大系统尺寸时尤为明显:等效的250原子GaAs完整从头算计算超过80,000 CPU小时,而使用我们的基于MPNN的工作流程仅需大约750 CPU小时,即速度提升了100倍。这些估计表明,该工作流程对于大型超胞和长轨迹特别有利,因为传统方法在这些情况下会迅速变得计算上不可行。最后,我们使用我们的方法预测了AsGa(GaAs中的EL2缺陷态)的能级位移和能级展宽,不仅展示了高效探索缺陷现象的巨大潜力,还强调了热振动对电子特性的关键影响。总之,我们的组合框架对于高效探索缺陷半导体系统中温度对电子特性的影响具有巨大前景,例如,在研究其他关键特性(如载流子迁移率)或分析材料中缺陷复合物的后果时。尽管有这些优势,未来工作中仍有一些局限性需要解决。首先,当前模型只考虑中性点缺陷,这限制了其在涉及带电缺陷的系统的适用性。将框架扩展到带电缺陷将需要分别针对每种电荷状态进行训练,或将背景电荷信息纳入模型表示中,并进行适当的静电校正。此外,所选的不确定性度量(模型间哈密顿量的最大标准差)可能需要进一步精细化以提升电子可观测量预测的性能。此外,我们考虑了作为典型半导体的相对简单的材料系统,其点缺陷特征明确,研究基于MPNN的模型在更复杂材料中的准确性将非常重要。将框架扩展到化学上更复杂的材料(含有多种元素比例)将需要进一步的发展和验证。这些系统可能涉及更多样化的局部协调环境和更复杂的哈密顿量表示(例如,包括局域f轨道),这可能会增加所需的训练工作量。尽管如此,工作流程的基本扩展行为预计不会改变。最后,我们研究中的哈密顿量学习是基于PBE训练数据进行的,但众所周知,半局域DFT泛函(如PBE)严重低估了带隙。同样,我们在学习哈密顿量时使用了相对较小的基组,未来研究可以探讨方法在更大基组尺寸下的表现。在训练数据中整合更高层次的理论(例如,使用混合泛函计算的哈密顿量)仍然是提高预测精度、使其与实验相当的重要途径。总之,本研究旨在探讨MPNN是否能够学习半导体中点缺陷的原子和电子结构。通过将MACE MLFF与DeepH哈密顿量学习结合在主动学习框架中,我们发现只需适量的DFT训练计算就可以准确再现GaAs中点缺陷沿MD轨迹的电子结构。然后,我们的模型有助于分析GaAs中砷反位缺陷的电子结构对温度的依赖性,这是一种具有技术相关性的缺陷。这些发现有助于我们理解半导体中的点缺陷,并可能应用于光电子器件(如太阳能电池)中。进一步的研究可以探索带电缺陷和极化子,它们也会影响器件行为。
**方法**
**DFT数据集准备**
为了构建MACE模型的训练集,我们使用了64原子超胞进行初步模型构建,以及128原子超胞进行生产级模型构建。DFT力和能量是使用维也纳从头算模拟包(VASP)59计算的。对于64(128)原子超胞,采用了400 eV的能量截止值、10^-6的能量收敛阈值和4 × 4 × 4(2 × 2 × 2)的Γ中心k网格。作为投影增强波(PAW)势能,使用了Ga_d (3d104s24p1) 和 As_d (3d104s24p3)。对于交换相关相互作用,我们采用了Perdew-Burke-Ernzerhof(PBE)泛函61。
**DeepH模型训练**
我们使用了OpenMX包62,利用伪原子局域基组63来计算DFT哈密顿量。对于涉及128原子超胞的模拟,我们采用了300 Ry的能量截止值、10^-7 Hartree的能量收敛阈值和2 × 2 × 2的k点网格。分别使用Ga7.0-s3p2d2和As7.0-s3p2d2作为镓和砷的伪原子轨道64。
**MACE训练细节**
初步的MACE模型41,42是在MACE-MP-0b基础模型52上通过随机位移的64原子超胞和4种类型的缺陷(As间隙(Asi)、Ga间隙(Gai)、As空位(VAs)、Ga空位(VGa)各64种配置进行简单调优的训练集上训练的。然后使用128原子超胞进行了MD模拟。在2 ps的平衡期后,均匀采样了每种缺陷类型25个结构,共100个结构,作为训练三个MACE模型的初始训练集。不确定性量化为三个MACE模型集合中原子力的最大标准差。在500 K下进行5 ps MD运行时,选择不确定性大于0.01 eV/?的配置,并用它们重新训练模型,共进行两轮主动学习。在这两轮主动学习中,通过将MD生成的砷反位(AsGa)结构引入训练集,引入了一种新的缺陷类型。因此,最终的训练数据集包括五种不同的缺陷类型。为了评估结果MLFF的性能,我们对每种缺陷类型在300 K下进行了30 ps的MD生产运行。从每个轨迹中随机选择10个快照,计算DFT力并将其与MLFF预测进行比较。然后评估了所有五种缺陷类型这些快照的力的RMSE,以评估初步和最终MACE模型的准确性。
**DeepH训练细节**
对于DeepH-E3模型44,我们使用球谐函数中的最大角动量4来编码几何信息。中间层的节点和边特征向量是根据不可约表示64×0e+32×1o+16×2e+8×3o+8×4e构建的,并使用了三个消息传递层。DeepH模型最初是在100个结构(其中33个作为验证)上训练的,训练集包含128原子超胞的5种缺陷类型:As间隙(Asi)、Ga间隙(Gai)、As空位(VAs)、As空位(VGa)、As反位(AsGa)。对于每种缺陷类型,从100 K下10 ps的MD模拟中选择了10个配置,通过k-means聚类技术进行选择。然后在100 K和500 K下各收集了1000个配置,共200个配置作为主动学习方案中进一步选择的候选结构。同样,我们通过计算三个DeepH模型集合的不确定性来量化不确定性,即通过计算哈密顿量矩阵的均方根偏差(RMSD)来估计它。为了确保训练集的代表性,我们在选择中引入了约束:每种缺陷类型和温度组合选择三个配置。因此,在每一轮主动学习中选择了30个结构(5种缺陷类型 × 2种温度 × 3个配置)。测试集是从100 K、300 K和500 K下的5 ps MD模拟中选择的未曾被训练部分看到的配置。通过比较DeepH预测和OpenMX计算的结果来计算特征值的误差。具体来说,我们通过计算哈密顿量矩阵元素的平均绝对偏差(|HDeepH ? HDFT|)来计算MAE,考虑了所有矩阵元素。此外,我们还计算了特征值的MAE,即|EDeepH ? EDFT|,包括最接近带隙的30个带。对于这些带,我们在布里渊区的高对称路径L-Γ-X-K上对电子特征值进行了采样,每个高对称点之间使用了15个k点。
**带隙和缺陷能级计算**
温度依赖的带隙和缺陷能级是通过在特定温度下对MD模拟的100个快照取平均值来计算的。Asi缺陷的带隙是用128原子超胞计算的,而为了消除缺陷能级的人为分散,使用了250原子超胞进行计算。MD轨迹是使用LAMMPS58和NVT集合生成的,时间步长为1 fs,并使用MACE力场。由于所有有限温度模拟都是在固定体积下进行的,因此观察到的温度依赖性变化源于振动无序和局部结构波动。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号