基于机器学习力场的有限温度下点缺陷形成
材料科学
2024-12-24 v1 化学物理
摘要
点缺陷决定了许多功能材料的性质。标准方法建模缺陷热力学依赖于静态描述，將 Gibbs 自由能的变化近似为 internal 能。这一方法计算成本低，但忽略了在有限温度下可被占据的原子振动和结构配置。我们训练机器学习力场（MLFF）来探索动态缺陷行为，以 和 在 CdTe 中的例子为例。我们考虑不同的熵贡献（如电子、自旋、振动、取向和构型），并比较计算缺陷自由能的方法，从谐波处理到基于热力学积分的完全非谐方法。我们发现室温下亚稳定构型被占据，热效应将 的预测浓度提高两个数量级——这可能会显著影响预测的性质。总体而言，我们的研究强调了有限温度效应的重要性以及 MLFF 在建模合成和器件运行温度下的缺陷动力学的潜力。
引用
@article{arxiv.2412.16741,
title = {Point defect formation at finite temperatures with machine learning force fields},
author = {Irea Mosquera-Lois and Johan Klarbring and Aron Walsh},
journal= {arXiv preprint arXiv:2412.16741},
year = {2024}
}