InterMat：利用 DFT 和深度学习加速半导体界面能带偏移预测
材料科学
2024-05-28 v2
摘要
我们引入了一个计算框架（InterMat），用于利用密度泛函理论（DFT）和图神经网络（GNN）预测半导体界面的能带偏移。作为第一步，我们将 OptB88vdW 广义梯度近似（GGA）计算的表面功函数和电子亲和势与实验数据进行基准测试，准确率分别为 0.29 eV 和 0.39 eV。同样，我们评估了使用独立单元（IU）和交替平板结（ASJ）模型计算的能带偏移值，准确率分别为 0.45 eV 和 0.22 eV。我们使用带有 TBmBJ meta-GGA 泛函的体相能带结构计算来校正预测导带特性时的带隙低估问题。在 ASJ 结构生成过程中，我们结合 Zur 算法和统一的 GNN 力场来解决界面设计的构象挑战。目前，我们已使用 DFT 计算了 607 个表面功函数，从中可以计算出 183921 个 IU 能带偏移以及 593 个直接计算的 ASJ 能带偏移。最后，由于所有可能的异质结空间过大而无法完全用 DFT 模拟，我们开发了广义 GNN 模型以快速预测体相能带边缘，准确率为 0.26 eV。我们展示了如何利用这些模型预测电离势、电子亲和势和基于 IU 的能带偏移等相关量。我们利用上述模型建立了简单的规则，从近 1.4 万亿个候选界面中预先筛选潜在的半导体器件。InterMat 可在以下网站获取：https://github.com/usnistgov/intermat
引用
@article{arxiv.2401.02021,
title = {InterMat: Accelerating Band Offset Prediction in Semiconductor Interfaces with DFT and Deep Learning},
author = {Kamal Choudhary and Kevin Garrity},
journal= {arXiv preprint arXiv:2401.02021},
year = {2024}
}