[논문 리뷰] Training a Machine-Learning Driven Gaussian Approximation Potential for Si-H Interactions

Davis Unruh, Reza Vatan Meidanshahi외 2명|arXiv (Cornell University)|2021. 06. 05.

Thin-Film Transistor Technologies인용 수 4

한 줄 요약

이 논문은 에너지, 힘, 응력에 대해 밀도함수이론(DFT) 데이터를 기반으로 훈련된 기계학습 기반 가우시안 근사 잠재력(GAP)을 제시한다. 이 잠재력은 계산 비용의 일부에 불과한 비용으로 DFT 수준의 정확도를 달성하여, 고정밀도로 수소화된 비정질 및 액체 규소의 시뮬레이션을 가능하게 하며, DFT 및 실험적 구조 데이터와 뛰어난 일치도를 보인다.

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.

연구 동기 및 목표

• 원자적 시뮬레이션에서 Si-H 상호작용을 모델링할 때 높은 정확도를 확보하면서도 계산 비용을 낮추는 데 오랫동안 해결되지 않은 과제를 해결하기 위해.
• 다양한 상에서 수소화된 규소의 복잡한 결합 및 구조적 거동을 정확히 포괄하는 기계학습 잠재력을 개발하기 위해.
• 재료 설계 및 특성 분석을 위해 비정질 실리콘 하이 hydride (a-Si:H) 및 c-Si/a-Si:H 이종접합의 신뢰할 수 있는 시뮬레이션을 가능하게 하기 위해.
• 물리적 현실성과 예측 능력을 보장하기 위해, 잠재력이 DFT 및 실험적 구조 측정치와 비교 검증되도록 하기 위해.

제안 방법

• 다양한 Si-H 구조에 대해 DFT로 계산된 에너지, 힘, 응력을 기반으로 훈련된 가우시안 프로세스 회귀 프레임워크를 사용하여 잠재력을 구축하였다.
• 다체 원자 서술자를 사용하여 실리콘 하이드라이드에서 국소 화학적 환경을 정확하게 표현하였다.
• 에너지, 힘, 응력에 대한 예측 오차를 최소화하도록 모델을 최적화하여 양자역학적 기준 데이터와의 일致성을 확보하였다.
• 훈련된 잠재력을 사용하여 수소화된 액체 및 비정질 규소의 대규모 분자 동역학 시뮬레이션을 수행하였다.
• 반경 분포 함수 및 배위수와 같은 구조적 성질을 계산하고 DFT 및 실험 결과와 비교하였다.
• 다양한 상과 수소 농도에 걸쳐 잠재력의 이행성(Systematic evaluation of transferability)을 체계적으로 평가할 수 있는 프레임워크를 제공하였다.

실험 결과

연구 질문

• RQ1 DFT 데이터를 기반으로 훈련된 기계학습 잠재력이 비정질, 액체, 결정 상에서 수소화된 규소의 구조적 및 에너적 성질을 정확히 재현할 수 있는가?
• RQ2 GAP 모델이 Si-H 체계에서 계산 비용을 줄이면서도 DFT 수준의 정확도를 유지하는 정도는 어느 정도인가?
• RQ3 DFT 및 실험 결과와 비교할 때, 잠재력이 결합 길이, 배치수, 반경 분포 함수와 같은 구조적 특징을 얼마나 잘 예측하는가?
• RQ4 물리적 정밀도를 유지하면서도 c-Si/a-Si:H 인터페이스와 같은 복잡한 이종접합을 신뢰할 수 있게 시뮬레이션할 수 있는가?

주요 결과

• 기계학습 기반 GAP 잠재력은 Si-H 체계에서 에너지, 힘, 응력 예측에 DFT 수준의 정확도를 달성하였다.
• GAP 시뮬레이션에서 유도된 구조적 성질인 반경 분포 함수 및 배치수는 DFT 및 실험 측정치와 뛰어난 일치도를 보였다.
• 이 잠재력은 현실적인 원자 구조를 가진 수소화된 액체 및 비정질 규소의 구조를 성공적으로 생성할 수 있었다.
• 모델은 실리콘의 다양한 수소 농도 및 구조적 상에 걸쳐 강력한 이행성을 보였다.
• DFT 직접 계산에 비해 상당한 계산 속도 향상을 달성하면서도 높은 정확도를 유지하는 시뮬레이션을 수행하였다.
• 실험 데이터에 대한 검증을 통해 시뮬레이션된 수소화된 규소 구조의 물리적 현실성이 확인되었다.