[论文解读] Realistic Atomistic Structure of Amorphous Silicon from Machine-Learning-Driven Molecular Dynamics.

Volker L. Deringer, Noam Bernstein+7 more|arXiv (Cornell University)|Mar 7, 2018

Machine Learning in Materials Science参考文献 50被引用 6

一句话总结

本研究基于高斯近似势（GAP）框架开发了一种机器学习原子间势，通过分子动力学模拟非晶硅（a-Si），实现了与DFT相当的精度，但计算成本仅为DFT的一小部分。通过以10¹¹ K/s的现实冷却速率从熔融态淬火，该方法生成了含有512个原子的a-Si结构，缺陷浓度低于2%，其计算结果在定量上与实验测得的²⁹Si NMR化学位移、X射线衍射数据（包括首次显著衍射峰，FSDP）以及量热法数据高度一致，为非晶材料模拟设定了新的精度基准。

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.

研究动机与目标

• 生成一个能够准确反映实验结构和电子性质的无氢非晶硅（a-Si）原子级模型。
• 克服传统分子动力学模拟的局限性，这些模拟要么使用计算成本高昂的DFT（受限于体系大小和冷却速率），要么使用精度较低的经典力场。
• 证明机器学习原子间势可在接近经典模拟的计算成本下实现DFT级别的精度，从而实现对非晶材料的大规模模拟。
• 生成一个a-Si结构模型，能够定量再现关键实验可观测量，包括²⁹Si NMR化学位移、X射线结构因子和过剩能量。

提出的方法

• 本研究采用基于高斯过程的机器学习原子间势（GAP），其训练数据来自晶体、非晶和液态硅的密度泛函理论（DFT）计算结果。
• 分子动力学模拟使用LAMMPS和QUIP软件包进行，时间步长为1 fs，采用Nosé–Hoover恒温器和恒压器在NPT系综下控制温度和压力。
• 对512个原子体系施加10¹¹ K/s的缓慢淬火协议，从1,800 K的液态相开始，随后进行平衡和冷却至500 K。
• 淬火后采用共轭梯度（CG）最小化方法松弛原子位置和晶胞矢量，使其进入局部能量极小态。
• 对于4,096个原子体系，采用多阶段淬火协议：从1,500 K到1,250 K以10¹³ K/s冷却，再从1,250 K到1,050 K以10¹¹ K/s冷却，最后从1,050 K到500 K以10¹³ K/s冷却，淬火后同样应用CG松弛。
• NMR化学位移通过基于DFT的GIPAW方法计算，采用在线生成的赝势、250 eV的平面波截断能以及PW91交换-相关泛函。

实验结果

研究问题

• RQ1 机器学习原子间势能否在保持DFT精度的同时，实现经典模拟的速度？
• RQ2 在机器学习分子动力学中，以10¹¹ K/s的缓慢淬火速率是否能生成比快速淬火更低能量、更符合实验的a-Si结构？
• RQ3 所生成的a-Si模型在多大程度上能准确再现实验的²⁹Si NMR化学位移和X射线衍射数据，包括首次显著衍射峰（FSDP）？
• RQ4 该模型是否能对大规模体系（4,096个原子）实现与实验过剩能量和结构因子的定量一致？
• RQ5 模拟得到的a-Si结构中的缺陷浓度是否与实验观察一致，特别是对配位数不足和过高的原子位点？

主要发现

• 以10¹¹ K/s淬火的512个原子a-Si结构缺陷浓度低于2%，与无氢a-Si的实验观测结果一致。
• 模拟结构与实验²⁹Si固态NMR化学位移高度一致，均方根偏差仅为1.5 ppm。
• 512个原子模型的X射线结构因子准确再现了首次显著衍射峰（FSDP）的强度，与实验结果的吻合程度为迄今最佳。
• 4,096个原子模型成功再现了FSDP的强度，证明了该机器学习势在大规模、器件相关体系尺寸下的可扩展性。
• 在10¹¹ K/s下淬火生成的结构比快速淬火模拟具有更低的过剩能量，表明其为更热力学稳定的构型。
• 本研究证明，机器学习势可在接近经典计算成本下实现DFT级别的模拟精度，使大规模、高精度的非晶材料建模成为可能。