基于机器学习基础模型和静电学方法识别分裂空位缺陷

点缺陷是固态化合物中普遍存在的缺陷，决定了诸多功能性质，如电导率、催化活性和载流子复合。过去十年间，越来越多关于 metastable缺陷几何及其对相关性质的重要性的认识。一个引人注目的例子是分裂空位，其中一个孤立的原子空位转化为两个空位和一个间错位的全价复合物（$V_X \rightarrow [V_X + X_i + V_X]$），可伴随显著的能量降低和行为变化。这些缺陷特别难以从计算中识别，因为这种重构具有“非本地”性质。本文提出了一种高效识别这些缺陷的方法，结合几何分析、静电能和机器学习（ML）基础模型进行分层筛选。该方法允许对Materials Project数据库中的所有固态化合物（包括ICSD中的所有条目以及数千个预测的metastable材料）进行筛选，识别出数千个低能分裂空位配置，这些配置此前尚未被发现。本研究凸显了机器学习势能的潜在实用性及其局限性，以及无机固体中分裂空位缺陷的显著普遍性，以及全球优化方法在缺陷建模中的重要性。