氧化锆中的压电与热电效应：基于机器学习力场的研究
材料科学
2022-06-02 v1
摘要
在 ZrO2 和 HfO2 基薄膜中发现的极大压电与热电效应，为开发硅兼容的传感器与执行器件开辟了新机遇。这些效应在接近极性正交到四方相变温度时被放大。分子动力学是模拟此类效应的首选技术，尽管其应用必须解决原子间力场充分精度与充分效率之间的两难问题。在此，我们提出一种基于深度神经网络的 ZrO2 原子间力场，该力场使用 Deep Potential 框架中的系统学习流程从第一性原理数据学习得到。经验证，该模型势预测多种结构与动力学性质的精度可与密度泛函理论计算相媲美。随后，利用该 Deep Potential 模型通过分子动力学计算复现了 ZrO2 中不同的热膨胀及压电、热电现象。在低温模拟直接效应时，我们发现压电和热电系数为负值，与第一性原理计算相符。接近相变温度时，这些数值保持为负且变大。在相变温度以上模拟场致效应时，我们发现为正值的巨压电系数，与观测结果一致。该模型能够结合极性正交到四方相变解释实验观测的大数值与符号。该模型还解释了近期在类似系统中观测到的巨介电常数。
引用
@article{arxiv.2206.00540,
title = {Piezo- and pyroelectricity in Zirconia: a study with machine learned force fields},
author = {Richard Ganser and Simon Bongarz and Alexander von Mach and Luis Azevedo Antunes and Alfred Kersch},
journal= {arXiv preprint arXiv:2206.00540},
year = {2022}
}