AlN机器学习原子势用于异质层生长仿真
材料科学
2025-11-12 v1 计算物理
摘要
开发了一种用于AlN的机器学习原子势，采用ultra-fast力场(UF3)方法。该势能在预测关键结构和机械属性——包括晶格常数、弹性常数、内离加能以及表面能——方面与密度泛函理论计算表现出强一致性。该势能还被证明能够准确再现边位位错的实验观察原子核结构。最重要的是，它成功再现了在wurtzite AlN表面上进行的AlN同层生长中 overlayer中所观察到的wurtzite晶体结构，这是先前势能未能实现的。此外，该势能再现了实验观察到的epilayer的层状生长模式。UF3框架所带来的精确性、可迁移性和计算速度的结合，使得对AlN异质层生长的大规模原子尺度仿真成为可能。
引用
@article{arxiv.2511.08330,
title = {Machine-learning interatomic potential for AlN for epitaxial simulation},
author = {Nicholas Taormina and Emir Bilgili and Jason Gibson and Richard Hennig and Simon Phillpot and Youping Chen},
journal= {arXiv preprint arXiv:2511.08330},
year = {2025}
}
备注
27 pages, 10 figures. Submitted to Computational Materials Science