使用等变神经网络预测半导体缺陷的热行为
材料科学
2025-11-25 v1
摘要
缺陷的存在显著影响半导体行为。然而，即使采用密度泛函理论(DFT)，在大规模原子模拟单元和众多热可及配置的条件下，预测缺陷半导体的电子属性仍然计算昂贵。本文我们提出一种基于神经网络的框架，高效地研究缺陷半导体的电子属性。我们开发了一种主动学习方法，集成了两种先进的等变图神经网络：MACE 用于原子能量和力，DeepH-E3 用于电子哈密顿量。我们聚焦于 GaAs 中代表性缺陷，展示在计算成本的少数比例下，实现与密度泛函理论相当的计算精度，直接从更大规模的分子动力学轨迹预测缺陷 GaAs 的温度依赖带隙，精度达到几个十毫尔瓦。我们的结果突显了等变神经网络在复杂动态演化材料中进行原子尺度预测的潜力。
引用
@article{arxiv.2511.18398,
title = {Predicting the Thermal Behavior of Semiconductor Defects with Equivariant Neural Networks},
author = {Xiangzhou Zhu and Patrick Rinke and David A. Egger},
journal= {arXiv preprint arXiv:2511.18398},
year = {2025}
}