[论文解读] Training a Machine-Learning Driven Gaussian Approximation Potential for Si-H Interactions

Davis Unruh, Reza Vatan Meidanshahi+2 more|arXiv (Cornell University)|Jun 5, 2021

Thin-Film Transistor Technologies被引用 4

一句话总结

本文提出了一种基于机器学习的高斯过程近似势（GAP），用于模拟 Si-H 相互作用，其训练数据来源于密度泛函理论（DFT）计算的总能量、原子受力和应力。该势函数在计算成本仅为 DFT 的几分之一的情况下，实现了与 DFT 相当的精度，从而能够对氢化非晶态和液态硅进行高保真度模拟，并与 DFT 及实验的结构数据高度一致。

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.

研究动机与目标

• 为解决在原子模拟中实现 Si-H 相互作用建模时长期存在的高精度与低计算成本之间的矛盾。
• 开发一种机器学习势，能够准确捕捉氢化硅在不同相态下的复杂成键与结构行为。
• 实现非晶态硅氢化物（a-Si:H）以及 c-Si/a-Si:H 异质结的可靠模拟，以支持材料设计与表征。
• 通过与 DFT 和实验的结构测量结果对比，验证该势函数的物理真实性和预测能力。

提出的方法

• 该势函数基于高斯过程回归框架构建，训练数据集包含多种 Si-H 构型的 DFT 计算能量、受力和应力。
• 采用多体原子描述符表征原子局部环境，以精确描述硅氢化物中局部化学环境的特征。
• 通过最小化能量、受力和应力的预测误差对模型进行优化，确保其与量子力学参考数据的一致性。
• 利用训练好的势函数对氢化液态和非晶态硅进行大规模分子动力学模拟。
• 计算并比较径向分布函数和配位数等结构性质，与 DFT 和实验结果进行对照。
• 该框架支持对势函数在不同相态和氢浓度下的可转移性进行系统评估。

实验结果

研究问题

• RQ1 基于 DFT 数据训练的机器学习势能否准确再现氢化硅在非晶态、液态和晶态相中的结构与能量性质？
• RQ2 该 GAP 模型在 Si-H 系统中在显著降低计算成本的同时，能否保持 DFT 级精度？
• RQ3 与 DFT 和实验相比，该势函数在预测键长、配位数和径向分布函数等结构特征方面表现如何？
• RQ4 该势函数能否以物理保真度可靠模拟 c-Si/a-Si:H 界面等复杂异质结构？

主要发现

• 机器学习 GAP 势在 Si-H 系统中对能量、受力和应力的预测达到了 DFT 级精度。
• GAP 模拟得到的径向分布函数和配位数等结构性质与 DFT 和实验测量结果高度一致。
• 该势函数成功生成了具有真实原子构型的氢化液态和非晶态硅结构。
• 该模型在不同氢化程度和硅结构相态之间表现出优异的可转移性。
• 与直接 DFT 计算相比，使用 GAP 势的模拟实现了显著的计算加速，同时保持了高精度。
• 与实验数据的对比验证确认了模拟所得氢化硅结构的物理真实性。