基于第一性原理随机结构搜索与实验的氧掺杂纤锌矿氮化铝涂层结构映射
材料科学
2021-01-13 v2
摘要
机器学习正在改变我们在材料科学中设计和解释实验的方式。在这项工作中，我们展示了无监督学习结合第一性原理建模如何增进我们对多组分合金中结构亚稳态的理解。我们以 Al-O-N 合金为例，其中纤锌矿 AlN 中替代氧掺入时铝空位的形成可被视为晶体对称性降低以稳定缺陷的普遍固体机制。由于结构中引入了异价异元素，理想的 AlN 纤锌矿晶体结构占位无法匹配。通过 X 射线衍射（XRD）实验对溅射沉积 Al-O-N 薄膜中 c 轴晶格收缩的传统解释表明在 8at.% 氧含量处存在溶解度极限。此处我们展示这种朴素解释是具有误导性的。我们用第一性原理模拟的机器学习分析和正电子湮没寿命谱数据来支持 XRD 数据，揭示出不存在可能的溶解度极限的迹象。相反，随着氧含量增加而出现的大范围非平衡富氧缺陷结构表明，晶界的形成是导致 Al-O-N 溅射薄膜中测得晶格收缩的最合理机制。
引用
@article{arxiv.2009.13186,
title = {Mapping the Structure of Oxygen-Doped Wurtzite Aluminum Nitride Coatings From Ab Initio Random Structure Search and Experiments},
author = {Piero Gasparotto and Maria Fischer and Daniele Scopece and Maciej Oskar Liedke and Maik Butterling and Andreas Wagner and Oguz Yildirim and Mathis Trant and Daniele Passerone and Hans J. Hug and Carlo Antonio Pignedoli},
journal= {arXiv preprint arXiv:2009.13186},
year = {2021}
}