[论文解读] Accurate force field of two-dimensional ferroelectrics from deep learning

Jing Wu, Liyi Bai+4 more|arXiv (Cornell University)|Sep 15, 2021

Machine Learning in Materials Science参考文献 86被引用 44

一句话总结

本研究基于一种并发学习循环，开发了一种用于单层α-In₂Se₃（一种二维铁电体）的深度学习力场（DP），该循环通过迭代改进从第一性原理计算获得的训练数据库。该模型在预测热力学性质、晶格动力学、极化翻转路径以及温度驱动的α → β相变方面达到了DFT水平的精度，从而实现了对二维材料中铁电动力学的大规模分子动力学模拟。

ABSTRACT

The discovery of two-dimensional (2D) ferroelectrics with switchable out-of-plane polarization such as monolayer $\alpha$-In$_2$Se$_3$ offers a new avenue for ultrathin high-density ferroelectric-based nanoelectronics such as ferroelectric field effect transistors and memristors. The functionality of ferroelectrics depends critically on the dynamics of polarization switching in response to an external electric/stress field. Unlike the switching dynamics in bulk ferroelectrics that have been extensively studied, the mechanisms and dynamics of polarization switching in 2D remain largely unexplored. Molecular dynamics (MD) using classical force fields is a reliable and efficient method for large-scale simulations of dynamical processes with atomic resolution. Here we developed a deep neural network-based force field of monolayer In$_2$Se$_3$ using a concurrent learning procedure that efficiently updates the first-principles-based training database. The model potential has accuracy comparable with density functional theory (DFT), capable of predicting a range of thermodynamic properties of In$_2$Se$_3$ polymorphs and lattice dynamics of ferroelectric In$_2$Se$_3$. Pertinent to the switching dynamics, the model potential also reproduces the DFT kinetic pathways of polarization reversal and 180$^\circ$ domain wall motions. Moreover, isobaric-isothermal ensemble MD simulations predict a temperature-driven $\alpha ightarrow \beta$ phase transition at the single-layer limit, as revealed by both local atomic displacement and Steinhardt's bond orientational order parameter $Q_4$. Our work paves the way for further research on the dynamics of ferroelectric $\alpha$-In$_2$Se$_3$ and related systems.

研究动机与目标

• 开发一种高度准确、可迁移的经典力场，用于单层α-In₂Se₃，这是一种具有垂直极化的有前途的二维铁电材料。
• 克服传统力场的局限性以及使用DFT模拟二维铁电体动态过程的高计算成本。
• 实现在二维铁电体中极化翻转和相变过程的大规模分子动力学模拟，且精度达到DFT水平。
• 利用训练好的深度势能模型研究单层α-In₂Se₃中极化反转及180°结构域壁运动的机理。
• 通过等压等温分子动力学模拟，探究单层α-In₂Se₃在热应力下的热力学稳定性和相变行为。

提出的方法

• 采用一种并发学习工作流训练深度神经网络势（DP），该工作流能从分子动力学模拟中动态选择并标记高误差构型，以进行DFT重新评估。
• 利用模型偏差（E）作为误差指标进行重要性采样，迭代更新训练数据库，确保对稀有或高能构型的高效覆盖。
• 同时在DFT计算的能量、原子受力和应力张量上训练四个模型，以确保与第一性原理数据的完全一致性。
• 通过DFT验证模型在能量、受力、声子色散关系以及多种In₂Se₃多型相的势能面上的表现。
• 使用DP执行等压等温（NPT）分子动力学模拟，以探测温度驱动的相变和结构演化。
• 计算Steinhardt的键取向序参数（Q₄和Q₆），以定量表征相变过程中局域对称性的变化。

实验结果

研究问题

• RQ1 基于深度学习的力场能否准确再现单层α-In₂Se₃中复杂的极化翻转动力学，包括180°结构域壁运动？
• RQ2 根据DFT预测并由DP捕捉到的单层α-In₂Se₃中垂直极化反转的能垒及其动力学路径是什么？
• RQ3 单层α-In₂Se₃是否经历由热驱动的从铁电相α到顺电相β的相变？其转变温度是多少？
• RQ4 在单层In₂Se₃的α → β相变过程中，局域原子位移和键序参数如何演化？
• RQ5 该深度势能在包括具有面内极化的亚稳态β′相在内的多种结构构型中，其精度保持程度如何？

主要发现

• 深度势能在最终训练数据库上验证后，达到了DFT水平的精度，能量的平均绝对误差为11.5 meV/原子，受力的平均绝对误差为0.02 eV/Å。
• 模型准确再现了DFT计算的极化反转能垒：直接翻转路径的能垒为0.68 eV（DFT）和0.76 eV（DP）；通过协同层运动的多步翻转路径的能垒为0.80 eV（DFT）和0.49 eV（DP）。
• DP成功捕捉了α-In₂Se₃中的180°结构域壁运动，初始路径的能垒为1.04 eV（DFT）和1.024 eV（DP），第二条路径的能垒为1.06 eV（DFT）和0.89 eV（DP）。
• NPT分子动力学模拟揭示了单层α-In₂Se₃在约650 K时发生温度驱动的α → β相变，该结果通过中心Se亚层的原子位移（Dz）增加得到证实。
• 相变通过Q₄和Q₆序参数的下降以及Q₄二维分布图的变化得到定量表征，表明局域六重对称性被破坏。
• 该模型预测铁电相在约650 K内保持稳定，与实验报道的高居里温度（约700 K）一致，验证了其对真实材料的预测能力。