基于深度学习的二维铁电体精确力场

具有可切换面外极化的二维（2D）铁电体（如单层 $\alpha$-In$_2$Se$_3$）的发现，为铁电基超薄高密度纳米电子学（如铁电场效应晶体管与忆阻器）提供了新途径。铁电体的功能性关键取决于其在外电场/应力场作用下的极化翻转动力学。与已被广泛研究的块体铁电体翻转动力学不同，二维中铁电翻转的机制与动力学仍很大程度上未被探索。使用经典力场的分子动力学（MD）是一种可靠且高效的方法，可用于原子分辨率下大规模动力学过程模拟。本文中，我们采用并发学习流程开发了基于深度神经网络单层 In$_2$Se$_3$ 的力场，该流程高效更新基于第一性原理的训练数据库。该模型势具有与密度泛函理论（DFT）可比的精度，能够预测 In$_2$Se$_3$ 多种多晶型的热力学性质及铁电 In$_2$Se$_3$ 的晶格动力学。与翻转动力学相关的是，该模型势还复现了极化反转与 180$^\circ$ 畴壁运动的 DFT 动力学路径。此外，等压等温系综 MD 模拟在单层极限下预测了由温度驱动的 $\alpha \rightarrow \beta$ 相变，这由局域原子位移与 Steinhardt 键取向序参量 $Q_4$ 共同揭示。我们的工作为进一步研究铁电 $\alpha$-In$_2$Se$_3$ 及相关体系的动力学铺平了道路。