利用图神经网络加速半导体中的缺陷预测
材料科学
2023-09-15 v2 计算物理
摘要
在此，我们开发了一个用于在第 IV 族、III-V 族和 II-VI 族闪锌矿(ZB)半导体化学空间中预测和筛选本征缺陷与功能杂质的框架，该框架由基于高通量密度泛函理论(DFT)数据训练的晶体图神经网络(GNN)驱动。采用从 DFT 计算中采样部分优化缺陷构型的创新方法，我们生成了迄今最大的计算缺陷数据集之一，包含多种空位、自间隙、反位替代、杂质间隙与替代，以及一些缺陷复合体。我们应用三种成熟的 GNN 技术，即晶体图卷积神经网络(CGCNN)、材料图网络(MEGNET)和原子线图神经网络(ALIGNN)，严格训练用于预测多种电荷态和化学势条件下的缺陷形成能(DFE)的模型。我们发现 ALIGNN 给出的 DFE 预测最优，均方根误差约为 0.3 eV，考虑到数据集内数值范围，这代表 98% 的预测精度，较现有最优水平显著提升。模型针对不同缺陷类型及缺陷电荷转变能级进行了测试。我们进一步表明，基于 GNN 的缺陷结构优化能以远低于完整 DFT 的代价使我们接近 DFT 优化几何结构。DFT-GNN 模型能够基于未优化和部分优化的缺陷结构对数千个假设缺陷进行预测与筛选，有助于在技术重要半导体中识别电子活性缺陷。
引用
@article{arxiv.2309.06423,
title = {Accelerating Defect Predictions in Semiconductors Using Graph Neural Networks},
author = {Md Habibur Rahman and Prince Gollapalli and Panayotis Manganaris and Satyesh Kumar Yadav and Ghanshyam Pilania and Brian DeCost and Kamal Choudhary and Arun Mannodi-Kanakkithodi},
journal= {arXiv preprint arXiv:2309.06423},
year = {2023}
}