[论文解读] Pawpyseed: Perturbation-extrapolation band shifting corrections for point defect calculations

Kyle Bystrom, Danny Broberg+3 more|arXiv (Cornell University)|Apr 25, 2019

Structural Analysis and Optimization被引用 7

一句话总结

该论文介绍了 pawpyseed，一个高性能的 Python 软件包，可实现点缺陷计算中基于微扰理论的自动化、并行化扰动外推带边位移校正。通过利用一阶微扰理论和波函数重叠分析，该方法显著提升了硅缺陷中过渡能级的预测精度，其准确度与杂化泛函计算相当，同时保持了高通量筛选所需的计算可行性。

ABSTRACT

Significant progress has been made recently in the automation and standardization of ab initio point defect calculations. However, the task of developing, implementing, and benchmarking charge corrections for density functional theory (DFT) point defect calculations is still an open challenge. Here we present a high-performance Python package called pawpyseed, which can read PAW DFT wave functions and calculate the overlap between wavefunctions from different structures. Using pawpyseed, we implement a new band shifting correction derived from first order perturbation theory. We benchmark this method by calculating the transition levels of several point defects in silicon and comparing to experimental and hybrid functional results. The new band shifting method can shift single-particle energies to improve transition level predictions and can be automated and parallelized using pawpyseed, suggesting it could be a useful method for high-throughput point defect calculations.

研究动机与目标

• 解决由于带隙问题导致的半局域 DFT 中缺陷过渡能级不准确的长期挑战。
• 开发一种计算效率高的自动化方法，对点缺陷进行带边位移校正，而无需依赖昂贵的杂化泛函。
• 通过提供可扩展、并行化的校正框架，与现有 DFT 工作流兼容，实现点缺陷的高通量筛选。
• 通过校正缺陷态相对于带边的位置，提高缺陷形成能和过渡能级的预测精度。
• 将新带边位移方法与实验数据及杂化泛函结果在硅中关键缺陷上的表现进行基准测试。

提出的方法

• 基于微扰理论，利用缺陷与体相超胞态之间的波函数重叠，实现带边位移校正。
• 使用 pawpyseed 读取 PAW DFT 波函数，并计算不同超胞构型中 Kohn-Sham 态之间的重叠积分。
• 根据 GGA 与杂化泛函带边的差异应用校正：ΔE_VBM = E_VBM,hybrid − E_VBM,GGA 与 ΔE_CBM = E_CBM,hybrid − E_CBM,GGA。
• 引入非定域化加权校正，其中校正比例由 χ_n 调制，χ_n 表示态 n 的电荷密度在缺陷及其最近邻原子上的局域化比例。
• 利用基于 C 语言优化的例程，在基于 Python 的 pawpyseed 框架中并行化计算密集型的重叠与投影计算。
• 自动化整个校正流程，包括缺陷态识别、带边提取和过渡能级重新校准。

实验结果

研究问题

• RQ1 基于微扰-外推的带边位移方法是否能提升半局域 DFT 中点缺陷过渡能级预测的准确性？
• RQ2 该新带边位移校正方法与标准费米能级重标定方法及杂化泛函结果相比，在硅点缺陷中表现如何？
• RQ3 通过 χ_n 考虑非定域化特性在多大程度上提升了缺陷能级校正的准确性？
• RQ4 该校正方法能否高效地并行化与自动化，以支持高通量缺陷筛选？
• RQ5 该方法在多种缺陷类型（包括空位和具有不同电子特性的取代缺陷）中是否保持鲁棒性？

主要发现

• 基于微扰-外推的带边位移校正显著提升了硅点缺陷中过渡能级的预测精度，与杂化泛函和实验基准相比误差明显降低。
• 对于硅空位及取代缺陷（B、P、Cu、S），该方法的过渡能级预测结果与杂化泛函结果的偏差在 ~0.1–0.2 eV 以内，表现出高精度。
• 在 2 原子原胞上比较 PBE-GGA 与 HSE06 杂化泛函时，带隙校正结果为 ΔE_VBM = −0.36 eV 与 ΔE_CBM = 0.22 eV。
• 基于非定域态投影的校正方法，通过局域化程度（χ_n）加权校正，提升了混合特征态的校正精度，减少了对局域化态的过度校正。
• pawpyseed 软件包实现了校正工作流的完全自动化与并行化，性能在计算集群上可高效扩展。
• 该方法在多种缺陷类型中表现鲁棒，包括深能级态及具有混合非定域/原子特征的态，优于标准费米能级重标定方法。