基于机器学习的氮化物半导体带隙与能带对齐预测
材料科学
2019-04-09 v3
摘要
氮化物因在光电子学中的广泛应用而备受关注，且在材料设计与发现方面仍有大量空间。本文设计了一大类氮化物，并通过第一性原理计算结合机器学习研究其带隙与能带对齐。以纤锌矿 GaN 为参照、由 HSE 屏蔽杂化泛函与 DFT-PBE 组合精确计算的带隙和带偏移被用于训练和测试机器学习模型。在比较不同机器学习技术后，当以元素性质作为特征时，具有径向核的支持向量回归（SVR）在预测带隙和带偏移方面表现最佳，预测均方根误差（RMSE）分别为 0.298 eV 和 0.183 eV。前者在 HSE 计算不确定度范围内，后者足够小以提供可靠预测。此外，当将 DFT-PBE 计算的带隙加入特征空间时，带隙预测 RMSE 降至 0.099 eV。通过特征工程算法，基于元素特征空间的带隙预测 RMSE 进一步下降约 0.005 eV，并揭示了元素性质对带隙预测的相对重要性。最后，预测了所有设计氮化物的带隙与带偏移，并注意到两个趋势：随着阳离子种类数增加，带隙趋于变窄而带偏移趋于升高。预测结果将为氮化物工程的精细研究提供有用指导。
引用
@article{arxiv.1810.10170,
title = {Band gap and band alignment prediction of nitride based semiconductors using machine learning},
author = {Yang Huang and Changyou Yu and Weiguang Chen and Yuhuai Liu and Chong Li and Chunyao Niu and Fei Wang and Yu Jia},
journal= {arXiv preprint arXiv:1810.10170},
year = {2019}
}
备注
Contact: Yang Huang, [email protected]