铁电HfO$_2$精确力场的深度学习
材料科学
2021-02-03 v1
摘要
基于HfO的薄膜中铁电性的发现，为利用这种硅兼容铁电体实现低功耗逻辑电路和高密度非易失性存储器开辟了新机遇。铁电体的功能性能与其在有限温度下对电场等外部刺激的动力学响应密切相关。分子动力学是研究大长度和时间尺度动力学过程的理想技术，尽管其在新材料中的应用常受限于经典力场的有限可用性与准确性。在此，我们提出一种基于深度神经网络的HfO原子间力场，该力场通过并发学习程序从{\em ab initio}数据学习得到。该模型势能够以与密度泛函理论计算相当的准确性预测各种二氧化铪多晶型的结构性质，如弹性常数、状态方程、声子色散关系和相变势垒。通过等压等温系综分子动力学模拟复现HfO温度驱动铁电-顺电相变的实验序列，进一步确认了该模型势的有效性。我们提出了一种通用方法，将HfO的模型势扩展至包含掺杂剂和缺陷的相关材料体系。
引用
@article{arxiv.2010.16082,
title = {Deep Learning of Accurate Force Field of Ferroelectric HfO$_2$},
author = {Jing Wu and Yuzhi Zhang and Linfeng Zhang and Shi Liu},
journal= {arXiv preprint arXiv:2010.16082},
year = {2021}
}