机器学习声子谱图：用于缺陷光谱线形状的快速与准确计算
材料科学
2026-04-21 v1
摘要
固体中缺陷的光学性质产生丰富的物理现象，从宝石石的着色到量子网络中的单光子发射。描述光学跃迁的关键在于电子-声子耦合，这可以通过从第一性原理预测，但需要对包含数百个原子的模拟单元中所有声子模式进行计算密集型求解。我们展示，这一瓶颈可以通过采用几乎不损失精度的机器学习原子势来克服。关键发现是，来自常规第一性原理计算的原子松弛数据足够作为精调数据集，尽管额外的数据可进一步提高模型。这种方法的效率使得能够以高水平理论研究缺陷振动性质。我们对混合函数计算进行精调，以获得高度准确的光谱图，并与显式计算和实验结果进行比较，适用于 various 缺陷。值得注意的是，我们解决了硅中 T 中心（一个突出的量子缺陷）发光光谱中局部振动模式耦合细节的解析。
引用
@article{arxiv.2508.09113,
title = {Machine Learning Phonon Spectra for Fast and Accurate Optical Lineshapes of Defects},
author = {Mark E. Turiansky and John L. Lyons and Noam Bernstein},
journal= {arXiv preprint arXiv:2508.09113},
year = {2026}
}