从晶体结构预测带电缺陷形成能的机器学习方法
材料科学
2025-12-15 v2
摘要
最近的材料信息学进展拓展了可合成材料的数量。然而，基于缺陷属性筛选有前景的材料（如半导体）仍具挑战性。这主要是由于缺乏从结构数据预测多电荷态缺陷形成能的通用框架。本文提出了一种协议，包括数据归一化、费米能级对齐以及对扰动宿主态的处理，并通过使用单个模型准确预测三种电荷态下氧空位的形成能来进行验证。我们还引入了一个集成缺陷形成能和带边预测的联合机器学习模型，用于虚拟筛选。通过该框架，我们识别出 89 个可空穴掺杂的氧化物，包括 BaGaSbO，这是一种潜在的双电荷光伏材料。我们的协议预计将成为点缺陷形成能的机器学习研究的标准方法。
引用
@article{arxiv.2510.00513,
title = {Machine Learning Prediction of Charged Defect Formation Energies from Crystal Structures},
author = {Shin Kiyohara and Chisa Shibui and Soungmin Bae and Yu Kumagai},
journal= {arXiv preprint arXiv:2510.00513},
year = {2025}
}
备注
Published in Phys. Rev. Lett