[논문 리뷰] Realistic Atomistic Structure of Amorphous Silicon from Machine-Learning-Driven Molecular Dynamics.

Volker L. Deringer, Noam Bernstein외 7명|arXiv (Cornell University)|2018. 03. 07.

Machine Learning in Materials Science참고 문헌 50인용 수 6

한 줄 요약

이 연구는 밀도함수이론(DFT) 수준의 정확도를 갖되 계산 비용을 극히 낮춘 분자역학 시뮬레이션을 통해 비정질 실리콘(a-Si)을 시뮬레이트하기 위해 가우시안 근사 포텐셜(GAP) 프레임워크 기반의 기계학습 상호작용 포텐셜을 개발한다. 실존적인 냉각 속도 10¹¹ K/s로 액체 상태에서 냉각시켜 512원자로 구성된 a-Si 구조를 생성하였으며, 결함 농도는 2% 미만이었고, 이는 실험적으로 관측된 29Si NMR 시프트, X선 회절 데이터—특히 첫 번째 날카운 회절 피크(FSDP)—및 열량측정 결과와 정량적으로 일치한다. 이는 비정질 재료 모델링 분야에서 새로운 정확도 기준을 설정한다.

ABSTRACT

Amorphous silicon ( a-Si) is a widely studied noncrystalline material, and yet the subtle details of its atomistic structure are still unclear. Here, we show that accurate structural models of a-Si can be obtained using a machine-learning-based interatomic potential. Our best a-Si network is obtained by simulated cooling from the melt at a rate of 1011 K/s (that is, on the 10 ns time scale), contains less than 2% defects, and agrees with experiments regarding excess energies, diffraction data, and 29Si NMR chemical shifts. We show that this level of quality is impossible to achieve with faster quench simulations. We then generate a 4096-atom system that correctly reproduces the magnitude of the first sharp diffraction peak (FSDP) in the structure factor, achieving the closest agreement with experiments to date. Our study demonstrates the broader impact of machine-learning potentials for elucidating structures and properties of technologically important amorphous materials.

연구 동기 및 목표

• 수소를 포함하지 않은 비정질 실리콘(a-Si)의 현실적인 원자구조 모델을 생성하여 실험적 구조적 및 전자적 성질를 정확히 반영한다.
• 기존의 분자역학 시뮬레이션의 한계를 극복한다. 이는 계산 비용이 매우 높은 DFT를 사용할 경우 시스템 크기와 냉각 속도에 제한을 받거나, 덜 정확한 고전적 힘장 모델을 사용할 경우 발생한다.
• 기계학습 상호작용 포텐셜이 고전적 계산 비용 수준에서 DFT 수준의 정확도를 달성할 수 있음을 보여주며, 비정질 재료의 대규모 시뮬레이션을 가능하게 한다.
• 29Si NMR 화학 시프트, X선 구조 인자, 초과 에너지 등 주요 실험 관측량을 정량적으로 재현하는 a-Si의 구조 모델을 생성한다.

제안 방법

• 연구는 결정성, 비정질성, 액체 상태의 실리콘에 대한 밀도함수이론(DFT) 데이터를 기반으로 학습된 가우시안 프로세스 기반 기계학습 상호작용 포텐셜(GAP)을 사용한다.
• 분자역학 시뮬레이션은 LAMMPS와 QUIP를 사용하며, 시간 단계는 1 fs이며, Nosé–Hoover 열역학기구와 압력기구를 사용한 NPT 계열 제어를 실시한다.
• 512원자 시스템에 대해 1,800 K에서 액체 상태에서 시작하여 10¹¹ K/s의 느린 냉각 프로토콜을 적용하고, 이후 평형화 및 500 K로 냉각한다.
• 냉각 후 원자 위치와 격자 벡터를 국소 에너지 최소값으로 수렴시키기 위해 공액기울기(CG) 최적화를 실시한다.
• 4,096원자 시스템의 경우, 다단계 냉각 프로토콜을 사용한다: 1,500 K에서 1,250 K로 10¹³ K/s, 1,250 K에서 1,050 K로 10¹¹ K/s, 1,050 K에서 500 K로 10¹³ K/s로 냉각하며, 이후 CG 최적화를 적용한다.
• NMR 화학 시프트는 DFT 기반의 GIPAW 방법을 사용하여 실시간 가상의 효과적 전자핵 퍼텐셜을 적용하고, 평면파 커팅 에너지 250 eV와 PW91 상호작용-상관관계 기능을 사용한다.

실험 결과

연구 질문

• RQ1 기계학습 상호작용 포텐셜은 DFT 수준의 정확도와 고전적 시뮬레이션 속도를 동시에 달성할 수 있는가?
• RQ2 기계학습 기반 분자역학에서 느린 냉각 속도(10¹¹ K/s)는 더 낮은 에너지 상태이며 실험적으로 더 정확한 a-Si 구조를 생성하는가?
• RQ3 생성된 a-Si 모델이 실험적 29Si NMR 화학 시프트와 X선 회절 데이터—특히 첫 번째 날카운 회절 피크(FSDP)—를 어느 정도 정량적으로 재현할 수 있는가?
• RQ4 대규모 시스템(4,096 원자)에서도 초과 에너지 및 구조 인자에 대해 실험 결과와 정량적 일치를 달성할 수 있는가?
• RQ5 모의된 a-Si 구조의 결함 농도는 특히 과잉 또는 부족한 배위를 가진 원자에 대해 실험 관측 결과와 일치하는가?

주요 결과

• 10¹¹ K/s에서 냉각된 512원자 a-Si 구조는 결함 농도가 2% 미만이었으며, 수소를 포함하지 않은 비정질 실리콘의 실험 관측 결과와 일치한다.
• 모의된 구조는 실험적 29Si 고체상 NMR 화학 시프트와 뛰어난 일치를 보였으며, 실험 값과의 평균제곱오차(root-mean-square deviation)는 오직 1.5 ppm에 불과했다.
• 512원자 모델의 X선 구조 인자는 FSDP의 크기를 실험 결과와 지금까지 가장 정밀하게 재현하였다.
• 4,096원자 모델은 FSDP 크기를 성공적으로 재현하여 기계학습 포텐셜이 대규모, 장치에 관련된 시스템 크기로도 확장 가능함을 보였다.
• 10¹¹ K/s에서 생성된 구조는 더 높은 냉각 속도로 생성된 시뮬레이션보다 더 낮은 초과 에너지를 가지며 열역학적으로 더 안정된 구조임을 시사한다.
• 이 연구는 기계학습 포텐셜이 고전적 계산 비용 수준에서 DFT 수준의 정확도를 갖는 시뮬레이션을 가능하게 하며, 비정질 재료의 대규모 정확한 모델링이 실현 가능하다는 것을 입증한다.