通过机器学习原子间势的大规模模拟揭示富锗 Ge$_x$Te 合金的结晶动力学
材料科学
2024-04-24 v1 无序系统与神经网络
摘要
我们开发了富锗 GeTe 合金的机器学习原子间势，旨在揭示这些材料中相分离和结晶的动力学。该结果对于嵌入式相变存储器的运行具有重要意义，这类存储器利用 GeSbTe 合金的富锗化来提高结晶温度。该势能通过拟合基于密度泛函理论计算的大规模能量和力数据库生成，使用了 DeePMD-kit 包中实现的神经网络方案。该势能高度精确，适用于描述从纯 Ge 和化学计量 GeTe 到富锗 GeTe 合金的广泛成分范围内的液态、非晶态和晶态的结构和动力学性质。大规模分子动力学模拟揭示了一种依赖于温度的结晶机制。在 600 K 时，大部分过量 Ge 在纳秒时间尺度上发生偏析，随后是近乎化学计量的 GeTe 区域的结晶。在 500 K 时，晶态 GeTe 的成核发生在相分离之前，随后由于过量 Ge 的同时排出而导致晶体生长缓慢。
引用
@article{arxiv.2404.15128,
title = {Unveiling the crystallization kinetics in Ge-rich Ge$_x$Te alloys by large scale simulations with a machine-learned interatomic potential},
author = {Dario Baratella and Omar Abou El Kheir and Marco Bernasconi},
journal= {arXiv preprint arXiv:2404.15128},
year = {2024}
}