[論文レビュー] Training a Machine-Learning Driven Gaussian Approximation Potential for Si-H Interactions

Davis Unruh, Reza Vatan Meidanshahi+2 more|arXiv (Cornell University)|Jun 5, 2021

Thin-Film Transistor Technologies被引用数 4

ひとこと要約

本論文は、エネルギー、力、応力のDFTデータに基づいて学習された、Si-H結合を対象とした機械学習駆動型ガウス過程近似ポテンシャル（GAP）を提示する。このポテンシャルは、計算コストを大幅に削減した上でDFT水準の精度を達成し、非晶質および液体状態の水素化シリコンの高精度なシミュレーションを可能にし、DFTおよび実験的構造データと優れた一致を示す。

ABSTRACT

Hydrogenation of amorphous silicon is critical to reducing defect densities, passivating mid-gap states and improving photoconductivity. However, achieving high accuracy with low computational cost in the treatment of Si-H interactions in atomistic simulations has been historically challenging. Here we introduce a machine-learning driven Gaussian approximation potential for atomistic simulations of various hydrogenated phases of silicon. Trained on density functional theory (DFT) measurements of energies, forces and stresses, this potential enables materials simulations of hydrogenated silicon with DFT-level accuracy but significantly reduced computational expense. We demonstrate the capabilities of the potential by using it to create hydrogenated liquid and amorphous silicon, and validating the structural measurements with excellent agreement against those of atomic configurations produced by density functional theory and experiment. These validations highlight the promise of using the potential for realistic and accurate simulations of a variety of hydrogenated silicon structures, particularly bulk a-Si:H and c-Si/a-Si:H heterojunctions.

研究の動機と目的

• 原子スケールのシミュレーションにおけるSi-H結合のモデリングにおいて、高い精度と低い計算コストを両立するという長年の課題に取り組むこと。
• さまざまな相態において、複雑な結合性および構造的挙動を正確に捉えることができる機械学習ポテンシャルの開発。
• 材料設計および特性評価のため、非晶質水素化シリコン（a-Si:H）およびc-Si/a-Si:Hヘテロジャンクションの信頼性の高いシミュレーションを可能にすること。
• 物理的現実性と予測能力を保証するため、ポテンシャルをDFTおよび実験的構造測定値と照合して検証すること。

提案手法

• 多様なSi-H構造に対するDFT計算によるエネルギー、力、応力を含むデータセットを用いて学習された、ガウス過程回帰フレームワークに基づくポテンシャルの構築。
• 多数体原子記述子を用いて原子環境を記述し、シリコン水素化物における局所的化学的環境の正確な表現を可能にする。
• エネルギー、力、応力の予測誤差を最小化するようにモデルを最適化し、量子力学的基準データと整合性を保つ。
• 訓練済みポテンシャルを用いて、水素化液体および非晶質シリコンの大型分子動力学シミュレーションを実施。
• 径方向分布関数や配位数といった構造的性質を計算し、DFTおよび実験結果と比較。
• 異なる相態および水素濃度におけるポテンシャルの一般化能力を体系的に評価可能であるフレームワークを提供。

実験結果

リサーチクエスチョン

• RQ1 DFTデータで学習された機械学習ポテンシャルは、非晶質、液体、結晶相の各状態における水素化シリコンの構造的およびエネルギー的性質を正確に再現できるか？
• RQ2 GAPモデルは、Si-H系において計算コストを削減しながらも、DFT水準の精度をどの程度維持できるか？
• RQ3 DFTおよび実験結果と比較して、ポテンシャルは結合長、配位数、径方向分布関数といった構造的特徴をどの程度正確に予測できるか？
• RQ4 c-Si/a-Si:H界面のような複雑なヘテロ構造を、物理的妥当性を保ちつつ信頼性高くシミュレートできるか？

主な発見

• 機械学習駆動のGAPポテンシャルは、Si-H系のエネルギー、力、応力予測においてDFT水準の精度を達成した。
• GAPシミュレーションから得られた径方向分布関数や配位数といった構造的性質は、DFTおよび実験測定値と優れた一致を示した。
• ポテンシャルを用いることで、現実的な原子配置を持つ水素化液体および非晶質シリコン構造の作成に成功した。
• モデルは、シリコンのさまざまな水素化度および構造的相態にわたって強い一般化能力を示した。
• DFT計算に直接対する比較において、GAPポテンシャルを用いたシミュレーションは顕著な計算スピードアップを達成したが、高い精度を維持した。
• 実験データとの照合により、シミュレートされた水素化シリコン構造の物理的現実性が確認された。