Vorhersage temperaturabhängiger optoelektronischer Eigenschaften von Halbleiterdefekten mit äquivarianten neuronalen Netzen

Warum winzige Fehler in Kristallen wichtig sind

Moderne Elektronik und Solarzellen bestehen aus nahezu perfekten Kristallen, doch ihre Leistung wird oft von winzigen Unvollkommenheiten bestimmt, sogenannten Defekten. Diese Fehler können Ladung einfangen, Energie als Wärme oder Licht verstreichen lassen und das Verhalten eines Bauteils verändern, wenn es sich erwärmt. Dieser Artikel zeigt, wie fortschrittliche neuronale Netze verfolgen können, was diese Defekte bei realistischen Temperaturen tun, ohne die enormen Rechenkosten, die solche Untersuchungen bisher eingeschränkt haben.

Die Herausforderung, verborgene Störenfriede zu erkennen

Defekte in Halbleitern wie Galliumarsenid sind aus guten und schlechten Gründen entscheidend. Einige werden gezielt eingeführt, um die Leitfähigkeit zu steuern, während andere leise die Effizienz von LEDs und Solarzellen mindern. Um sie zu verstehen, verlassen sich Forscher normalerweise auf quantenmechanische Simulationen, die Elektronen explizit behandeln. Diese Berechnungen werden jedoch extrem aufwändig, wenn der simulierte Kristall groß genug sein muss, um einen einzelnen Defekt zu isolieren, und wenn thermische Schwingungen bei Betriebstemperaturen durch Molekulardynamik berücksichtigt werden. Infolgedessen lagen genaue temperaturabhängige Vorhersagen für viele praktisch wichtige Defekte bisher außerhalb der Reichweite.

Neuronalen Netzen die Regeln der Atome beibringen

Die Autoren gehen dieses Problem an, indem sie zwei spezielle, graphbasierte neuronale Netze kombinieren, die so gebaut sind, dass sie die Symmetrien des dreidimensionalen Raums respektieren. Ein Netzwerk, MACE, lernt, wie Atome einander stoßen und ziehen, sodass es teure quantenbasierte Dynamik durch ein maschinell gelerntes Kraftfeld ersetzen kann. Das andere, DeepH genannt, lernt den elektronischen Hamiltonoperator, das mathematische Objekt, aus dem Energien und Bandstrukturen abgeleitet werden. Eine Active-Learning-Strategie verknüpft die beiden: Die Modelle werden zunächst mit einer kleinen Menge sorgfältig ausgewählter Quantenberechnungen trainiert und dann iterativ verbessert, indem man prüft, wo ihre eigenen Vorhersagen am unsichersten sind, und genau diese herausfordernden Fälle zum Trainingsdatensatz hinzufügt.

Defekte in Galliumarsenid unter dem Mikroskop

Um ihr Framework zu testen, konzentrieren sich die Forschenden auf fünf häufige Punktdefekte in Galliumarsenid, einem Schlüsselmaterial für hochwertige Laser und Solarzellen. Sie zeigen, dass das MACE-Kraftfeld atomare Schwingungen und lokale Strukturen um Defekte mit einer Genauigkeit reproduziert, die an vollständige Quantenberechnungen heranreicht, jedoch zu deutlich geringerem Aufwand. DeepH nimmt dann Schnappschüsse aus diesen maschinell gelernten Trajektorien und sagt die elektronische Bandstruktur voraus, einschließlich der speziellen Niveaus, die Defekte innerhalb der Bandlücke einführen. Über einen Temperaturbereich und verschiedene Systemgrößen hinweg folgt der gelernte Hamiltonoperator den konventionellen Berechnungen bis auf nur wenige zehn Millielektronenvolt und läuft für große Superzellen mehr als dreißigmal schneller.

Verfolgung von Defektniveaus beim Erhitzen des Kristalls

Mit Geschwindigkeit und Genauigkeit erforscht das Team, wie Temperatur die elektronische Landschaft umformt. Für reinstes Galliumarsenid und für Kristalle mit einem Arsen-Zwischenatom fängt das gelernte Modell korrekt das allmähliche Schrumpfen der Bandlücke ein, wenn die Atome stärker schwingen. Es zeigt auch, wie die Energie des Defektniveaus sich verschiebt und verbreitert, was seine Kopplung an thermische Bewegung und das ständige Umordnen der lokalen Umgebung widerspiegelt. Für den technologisch wichtigen Arsen-Antisite-Defekt, der einen Zustand tief in der Bandlücke erzeugt, zeigt der Ansatz, dass steigende Temperatur dieses Niveau näher an den Leitungsbandrand rückt und seine Verbreiterung erhöht, und liefert Größen, die direkt mit temperaturabhängigen optischen Messungen verglichen werden können.

Was das für zukünftige Geräte bedeutet

Kurz gesagt zeigt diese Arbeit, dass sorgfältig entworfene neuronale Netze sowohl lernen können, wie Atome sich bewegen, als auch wie Elektronen in unvollkommenen Halbleitern reagieren, wenn sie sich erwärmen. Einmal trainiert, verwandeln die Modelle monatelange schwere Rechnungen in Berechnungen, die in typische Computerbudgets passen, ohne die wesentliche Physik zu opfern. Das öffnet die Tür für routinemäßige Studien darüber, wie Defekte die Effizienz und Stabilität realer Geräte beeinflussen, und bietet eine Vorlage, um dieselbe Strategie auf komplexere Materialien, geladene Defekte und andere Eigenschaften auszudehnen, die für die nächste Generation der Elektronik- und Solartechnologien wichtig sind.

Zitation: 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

Schlüsselwörter: Halbleiterdefekte, Galliumarsenid, maschinelles Lernen, neuronale Netze, elektronische Struktur