半导体中杂质能级的机器学习预测：以镉基硫属化物为例
材料科学
2019-06-07 v1
摘要
预测半导体中杂质掺入的可能性及其电子能级，对于调控其电导率乃至太阳能电池、光电二极管和光电器件中的半导体性能至关重要。实验与计算确定杂质能级的困难与高昂成本，使得数据驱动的机器学习方法颇为合适。在本工作中，我们表明，基于密度泛函理论生成的 CdTe、CdSe 和 CdS 等镉基硫属化物中杂质的数据集，可建立准确且可泛化的缺陷性质预测模型。通过将任意半导体+杂质体系转换为一组数值描述符，我们针对杂质形成焓与电荷跃迁能级开发了回归模型。这些回归模型随后能较为准确地预测混合阴离子 CdX 化合物（其中 X 为 Te、Se 和 S 的组合）中的杂质性质，证明尽管仅在端点组分上训练，它们仍适用于中间组分。我们对 5 种硫属化物化合物中数百种可能杂质的费米能级依赖形成能进行了机器学习预测，并给出一份可移动由主导本征缺陷决定的半导体平衡费米能级的杂质清单。机器学习预测的这些主导杂质与 DFT 预测吻合良好，揭示了机器学习模型在快速筛选可能影响半导体光电行为的杂质方面的能力。
引用
@article{arxiv.1906.02244,
title = {Machine-learned impurity level prediction for semiconductors: the example of Cd-based chalcogenides},
author = {Arun Mannodi-Kanakkithodi and Michael Y. Toriyama and Fatih G. Sen and Michael J. Davis and Robert F. Klie and Maria K. Y. Chan},
journal= {arXiv preprint arXiv:1906.02244},
year = {2019}
}
备注
14 pages, 7 figures