基于多保真度数据集与元素性质预测半导体中杂质电荷态跃迁能级的机器学习方法
材料科学
2022-03-22 v1 计算物理
摘要
量化半导体中杂质的电荷态跃迁能级，对于理解和设计其从太阳能光伏到红外激光器等应用中的光电特性至关重要。尽管这些跃迁能级可以被精确测量和计算，但此类工作耗时较长，更快速的预测方法将大有裨益。在此，我们利用多保真度数据集和一种基于元素性质与杂质位置的机器学习方法，显著减少了预测杂质跃迁能级通常所需的时间。我们使用由低保真度（即局域密度近似或广义梯度近似）密度泛函理论（DFT）计算获得的跃迁能级，并采用最近提出的修正能带对齐方案进行校正，其能很好地近似由高保真度 DFT（即杂化 HSE06）得到的跃迁能级。与仅在更有限的高保真度值上训练的模型相比，拟合于大型多保真度数据库的模型显示出更高的精度。关键在于，在我们的方法中，使用多保真度数据时，模型训练不需要高保真度值，从而显著降低了训练模型所需的计算成本。我们的跃迁能级机器学习模型，在 II-VI 和 III-V 族 14 个半导体系统上平均，相对于高保真度杂化泛函值的均方根（平均绝对）误差为 0.36（0.27）eV。作为在其他系统上使用的指南，我们在模拟数据上评估了该模型，以展示针对感兴趣的新材料其预期精度水平随带隙的变化关系。最后，我们利用该模型预测了所有闪锌矿 III-V 和 II-VI 系统中完整的杂质电荷态跃迁能级空间。
引用
@article{arxiv.2203.10349,
title = {Machine learning for impurity charge-state transition levels in semiconductors from elemental properties using multi-fidelity datasets},
author = {Maciej P. Polak and Ryan Jacobs and Arun Mannodi-Kanakkithodi and Maria K. Y. Chan and Dane Morgan},
journal= {arXiv preprint arXiv:2203.10349},
year = {2022}
}