基于机器学习的AlN中缺陷多电荷态声子传输势

了解含缺陷AlN中声子传输性质对于其器件应用至关重要。本文遵循Behler-Parrinello类型神经网络势的模板，但扩展其以考虑缺陷多电荷态，构建一种能以ab initio精度描述AlN中声子传输的机器学习势。通过计算声子能带、三声子非谐、声子同位素及声子缺陷散射速率以及热导率，证明了该NNP在预测二、三阶内力常数方面的高精度。特别是，该NNP准确描述了各种本征缺陷及其不同电荷态下声子相关性质的差异。我们发现，由V$_{N}^{3+}$引起的声子-缺陷散射速率最大，随后为V$_{Al}^{3-}$，而V$_{N}^{1+}$是最不有效的散射体。这一结论亦通过各自对AlN热导率的降低幅度得到验证。我们的发现揭示了由缺陷引起的结构扭曲对弹性散射速率的重要贡献。本工作表明，所提出的NNP方案可用于以经济的方式研究包含带电缺陷的部分无序晶体相中声子传输。