التنبؤ بخواص الإلكترون البصرية المعتمدة على الحرارة لشوائب أشباه الموصلات باستخدام الشبكات العصبية المتساوية الشوكة

لماذا تهم الشوائب الصغيرة في البلورات

تُبنى الإلكترونيات الحديثة والخلايا الشمسية من بلورات شبه مثالية، ومع ذلك غالبًا ما تحدد شوائب صغيرة تسمى عيوب أداءها. يمكن لهذه الشوائب أن تحبس الشحنة أو تُفقد الطاقة على شكل حرارة أو ضوء، وتغيّر كيفية عمل الجهاز مع ارتفاع درجة حرارته. تعرض هذه المقالة كيف يمكن للشبكات العصبية المتقدمة تتبّع تأثير هذه العيوب عند درجات حرارة واقعية دون التكاليف الحاسوبية الهائلة التي قيدت مثل هذه الدراسات حتى الآن.

تحدي كشف المسببات الخفية للمشكلات

تلعب العيوب في أشباه الموصلات مثل غاليوم الزرنيخ دورًا حاسمًا لأسباب جيدة وسيئة على حد سواء. يُدخل البعض عمدًا لضبط الناقلية، بينما يقلل البعض الآخر بهدوء من كفاءة المصابيح الثنائية المضيئة والخلايا الشمسية. لفهمها، يعتمد الباحثون عادةً على محاكاة ميكانيكا الكم التي تتعامل مع الإلكترونات صراحة. ومع ذلك، تصبح هذه الحسابات مرهقة للغاية عندما يجب أن تكون البلورة المحاكاة كبيرة بما يكفي لعزل عيب مفرد وعندما تُؤخذ الاهتزازات الحرارية عند درجات التشغيل في الحسبان عبر الديناميكا الجزيئية. ونتيجة لذلك، كانت التنبؤات الدقيقة المعتمدة على الحرارة خارج متناول العديد من العيوب ذات الأهمية العملية.

تعليم الشبكات العصبية قواعد الذرات

يواجه المؤلفون هذا التحدي بدمج شبكتين عصبيتين خاصتين مبنيتين على الرسوم البيانية ومصممتين لاحترام تناظرات الفضاء ثلاثي الأبعاد. تتعلم إحدى الشبكات، MACE، كيف تدفع الذرات وتنجذب إلى بعضها البعض بحيث يمكنها استبدال الديناميكيات القائمة على الكم المكلفة بحقل قوى متعلم آليًا. أما الأخرى، المسماة DeepH، فتتعلم الهاملتوني الإلكتروني، الكائن الرياضي الذي تُستخرج منه الطاقات وبُنى الحزم. تربط استراتيجية التعلم النشط بينهما: تُدرَّب النماذج أولًا على مجموعة صغيرة من حسابات الكم المختارة بعناية، ثم تُحسَّن تكراريًا عن طريق سؤال النموذج عن أماكن أكبر قدر من عدم اليقين في توقعاته وإضافة تلك الحالات الصعبة فقط إلى بيانات التدريب.

وضع العيوب في غاليوم الزرنيخ تحت المجهر

لاختبار الإطار، يركز الباحثون على خمسة عيوب نقطية شائعة في غاليوم الزرنيخ، وهو مادة رئيسية للليزر عالي الجودة والخلايا الشمسية. يُظهرون أن حقل القوى المتعلم MACE يعيد إنتاج اهتزازات الذرات والبنى المحلية حول العيوب بدقة تقارب محاكاة الكم الكاملة، لكن بتكلفة أقل بكثير. ثم يأخذ DeepH لقطات من هذه المسارات المتعلمة آليًا ويتنبأ بالبنية الطيفية الإلكترونية، بما في ذلك المستويات الخاصة التي تُدخِلها العيوب داخل فجوة النطاق. عبر مجموعة من درجات الحرارة وأحجام الأنظمة، يتتبع الهاملتوني المتعلم الحسابات التقليدية بدقة داخل بضعة عشرات من الميلي إلكترون فولت فقط، بينما يعمل بأكثر من ثلاثين ضعفًا أسرع لأنظمة الخلايا الكبيرة.

متابعة مستويات العيوب مع تسخين البلورة

بامتلاك كل من السرعة والدقة، يستكشف الفريق كيف تعيد الحرارة تشكيل المشهد الإلكتروني. بالنسبة لغاليوم الزرنيخ النقي وللبلورات التي تحتوي على ذيادة زرنيخية، يلتقط النموذج المتعلم صحة تقلّص فجوة النطاق تدريجيًا مع ازدياد اهتزازات الذرات. كما يكشف كيف يتحرك مستوى طاقة العيب ويتوسع، معبّرًا عن اقترانه بالحركة الحرارية وإعادة ترتيب البيئة المحلية المستمرة. بالنسبة لعيب تبديل الذرات الهام تكنولوجيًا (الذرة الزرنيخية في موقع غاليوم)، الذي يخلق حالة عميقة داخل فجوة النطاق، يظهر النهج أن ارتفاع درجة الحرارة يقرب هذا المستوى من حافة حزمة التوصيل ويزيد من اتساعه، موفرًا كميات يمكن مقارنتها مباشرة بقياسات بصرية معتمدة على الحرارة.

ما يعنيه هذا للأجهزة المستقبلية

بعبارة بسيطة، تُظهر هذه الدراسة أن الشبكات العصبية المصممة بعناية يمكنها تعلم كل من حركة الذرات واستجابة الإلكترونات في أشباه الموصلات غير المثالية أثناء تسخينها. وبمجرد تدريبها، تحول النماذج ما قد يستغرق أشهرًا من الحسابات الثقيلة إلى حسابات تلائم ميزانيات الحوسبة الاعتيادية، دون التضحية بالفيزياء الجوهرية. يفتح هذا الباب أمام دراسات روتينية لكيفية تأثير العيوب على كفاءة وثبات الأجهزة الحقيقية، ويقدّم نموذجًا لتوسيع نفس الاستراتيجية إلى مواد أكثر تعقيدًا وعيوب مشحونة وخصائص أخرى مهمة للإلكترونيات والتقنيات الشمسية من الجيل التالي.

الاستشهاد: Zhu, X., Rinke, P. & Egger, D.A. Predicting temperature-dependent optoelectronic properties of semiconductor defects with equivariant neural networks. npj Comput Mater 12, 176 (2026). https://doi.org/10.1038/s41524-026-02111-z

الكلمات المفتاحية: عيوب أشباه الموصلات, غاليوم الزرنيخ, تعلّم الآلة, الشبكات العصبية, التركيب الإلكتروني