基于机器学习原子势能函数揭示非晶 GeSe 中的缺陷构型
材料科学
2025-06-23 v1
摘要
Ovonic 阈值开关 (OTS) 选择器因其非线性电气行为和极性相关阈值电压而在非易失存储器中发挥关键作用。然而，导致这些性质的缺陷态的原子尺度起源尚未完全理解。本研究利用由机器学习原子势能函数加速的分子动力学模拟来调查非晶 GeSe 中的缺陷。我们对几种潜能体系结构——包括基于描述子的模型和图神经网络 (GNN) 模型——进行基准测试，表明准确描述非晶 GeSe 需要捕捉更高阶相互作用（至少四体关联）和中程结构有序性。我们发现，具有多个相互作用层的 GNN 架构成功地捕捉了这些关联和结构构型，防止了较不具表达力的模型引入的伪造缺陷。通过我们的优化 GNN 潜能，我们检查了二十个独立的 960 原子非晶 GeSe 结构，识别出两种 distinct 缺陷构型：对齐的 Ge 链导致导带附近的缺陷态，过配位的 Ge 链产生价带附近的缺陷态。我们进一步将这些电子缺陷能级与特定结构特征相关——即，对齐链中键角平均对齐程度以及过配位 Ge 原子周围局部 Peierls 扭曲程度。这些发现为解释实验观察提供了理论框架，深化了对非晶 GeSe 中缺陷驱动的 OTS 现象的理解。
引用
@article{arxiv.2506.15934,
title = {Unveiling defect motifs in amorphous GeSe using machine learning interatomic potentials},
author = {Minseok Moon and Seungwoo Hwang and Jaesun Kim and Yutack Park and Changho Hong and Seungwu Han},
journal= {arXiv preprint arXiv:2506.15934},
year = {2025}
}
备注
21 pages, 11 figures, Supplementary information included as ancillary file (+12 pages)