[논문 리뷰] Deep Learning Inter-atomic Potential for Thermal and Phonon Behaviour of Silicon Carbide with Quantum Accuracy

Baoqin Fu, Yandong Sun외 3명|arXiv (Cornell University)|2021. 10. 21.

Thermal properties of materials참고 문헌 148인용 수 6

한 줄 요약

이 논문은 국소 밀도 근사(LDA) 및 일반화된 구배 근사(GGA) 수준의 밀도 함수 이론(DFT) 데이터를 기반으로 훈련된 실리콘 카바이드(SiC)를 위한 두 개의 딥 러닝 상호작용 포텐셜(DP-IAPs)을 제시한다. 이 DP-IAPs는 격자 동역학과 포논 산산패기률 예측에서 양자 수준의 정확도를 달성한다. DP-IAPs를 통해 DFT 방법에 비해 수십만 배 빠른 속도로 SiC의 열전도 및 기계적 성질에 대한 고정밀 분자 동역학 시뮬레이션을 수행할 수 있다.

ABSTRACT

Silicon carbide (SiC) is an essential material for next generation semiconductors and components for nuclear plants. It's applications are strongly dependent on its thermal conductivity, which is highly sensitive to microstructures. Molecular dynamics (MD) simulation is the most used methods to address thermal transportation mechanisms in devices or microstructures of nano-meters. However, the implementation of MD is limited in SiC because of lacking accurate inter-atomic potentials. In this work, using the Deep Potential (DP) methodology, we developed two inter-atomic potentials (DP-IAPs) for SiC based on two adaptively generated datasets within the density functional approximations at the local density and the generalized gradient levels. These two DP-IAPs manifest their speed with quantum accuracy in lattice dynamics simulations as well as scattering rate analysis of phonon transportation. Combining with molecular dynamics simulations, the thermal transport and mechanical properties were systematically investigated. The presented methodology and the inter-atomic potentials pave the way for a systematic approach to model heat transport in SiC related devices using multiscale modelling.

연구 동기 및 목표

• 차세대 반도체 및 원자력 응용 분야에 핵심적인 역할을 하는 실리콘 카바이드(SiC)를 위한 정확한 상호작용 포텐셜 개발.
• 기존 상호작용 포텐셜의 정확도 부족으로 인해 SiC의 분자 동역학(MD) 시뮬레이션에서 발생하는 제한을 극복.
• MD 시뮬레이션을 통해 SiC 미세구조에서 열전도도 및 포논 거동을 신뢰성 있게 예측할 수 있도록 하기.
• SiC 기반 장치에서 열전도를 위한 확장 가능하고 다스케일 모델링 프레임워크 수립.
• 딥 러닝 포텐셜을 사용하여 격자 동역학 및 산산패기률 분석에서 양자 수준의 정확도 달성.

제안 방법

• LDA 및 GGA 수준의 DFT 계산에서 유도된 적응적으로 생성된 데이터셋을 기반으로 딥 포텐셜(DP) 모델 훈련.
• 딥 신경망 아키텍처를 사용하여 SiC 원자 간의 다체 상호작용 에너지를 높은 정확도로 표현.
• 높은 예측 불확실성 영역을 샘플링함으로써 반복적으로 데이터셋을 향상시키기 위해 액티브 러닝 활용.
• 포논 분산, 군속도 및 산산패기률에 대해 DFT 기준값과의 비교를 통해 DP-IAPs 검증.
• 훈련된 DP-IAPs를 사용하여 대규모 분자 동역학 시뮬레이션을 수행하여 열전도도 및 기계적 반응 연구.
• DP-IAP 기반 시뮬레이션을 통해 포논 평균 자유경로 및 산산패기 메커니즘 분석.

실험 결과

연구 질문

• RQ1 딥 러닝 상호작용 포텐셜은 SiC에서 포논 분산과 산산패기를 예측할 때 양자 수준의 정확도를 달성할 수 있는가?
• RQ2 DP-IAPs는 아비니오 메서드에 비해 SiC의 열전도도를 얼마나 정확하게 재현하는가?
• RQ3 미세구조가 DP-IAPs에 의해 예측된 SiC에서 포논 전도에 미치는 영향은 어떠한가?
• RQ4 DP-IAPs는 대규모에서 정확하고 효율적인 SiC 분자 동역학 시뮬레이션을 가능하게 하는가?
• RQ5 LDA 및 GGA 기반 DP-IAPs 간의 격자 동역학과 포논 산산패기률은 어떻게 비교되는가?

주요 결과

• DP-IAPs는 DFT 기준값과 밀접하게 일치하는 포논 분산 관계 및 군속도를 예측하는 데 양자 수준의 정확도를 달성한다.
• DP-IAPs를 사용해 계산된 포논 산산패기률은 아비니오 결과와 뛰어난 일치를 보이며, 이는 운반 분석에 대한 신뢰성의 타당성을 입증한다.
• DP-IAPs를 사용한 MD 시뮬레이션에서 유도된 열전도도 값은 고정밀 DFT 기반 예측과 일관되게 일치한다.
• DP-IAPs를 통해 DFT에 비해 수십만 배 빠른 계산 효율성으로 SiC의 대규모 분자 동역학 시뮬레이션을 수행할 수 있다.
• 이 포텐셜들은 SiC에서 포논 산산패기 및 열전도에 영향을 미치는 미세구조적 특징을 성공적으로 캐치한다.
• LDA 및 GGA 기반 DP-IAPs는 유사한 정확도를 보이며, 예측된 포논 분산 및 산산패기률에 약간의 차이가 있다.