等変換ニューラルネットワークによる半導体欠陥の温度依存光電子特性の予測

結晶の小さな欠陥が重要な理由

現代の電子機器や太陽電池はほぼ完全な結晶を基盤に作られますが、その性能はしばしば欠陥と呼ばれる微小な不完全さによって左右されます。これらの欠陥は電荷を捕獲したり、エネルギーを熱や光として漏らしたり、装置が温まるにつれて挙動を変化させたりします。本稿は、高度なニューラルネットワークを用いて、これらの欠陥が現実的な温度で何をするかを、これまで研究を制限してきた膨大な計算コストをかけずに追跡する方法を示します。

隠れた問題作を見抜く難しさ

ガリウム砒素のような半導体中の欠陥は、良い意味でも悪い意味でも重要です。導電性を調整するために意図的に導入されるものもあれば、LEDや太陽電池の効率を静かに損なうものもあります。それらを理解するために研究者は通常、電子を明示的に扱う量子力学的シミュレーションに頼ります。しかし、シミュレーション中の結晶を単一欠陥から孤立させるほど大きくし、かつ動作温度での熱振動を分子動力学で含めると、これらの計算は極端に負担が大きくなります。そのため、実用上重要な多くの欠陥に対する正確な温度依存予測は手の届かないものになっていました。

原子の法則をニューラルネットワークに教える

著者らは、三次元空間の対称性を尊重するよう設計された二つの特殊なグラフベースのニューラルネットワークを組み合わせることでこの問題に取り組みます。一つのネットワーク、MACEは原子が互いにどう押し合い引き合うかを学習し、高価な量子ベースの力場の代わりに機械学習で得られた力場を提供します。もう一つのDeepHは電子のハミルトニアン、すなわちエネルギーやバンド構造を導く数学的対象を学習します。アクティブラーニング戦略が両者を結びつけます：モデルはまず慎重に選ばれた少数の量子計算で訓練され、その後自身の予測が最も不確かになる領域を問い合わせて、問題となるケースだけを逐次追加して改善されます。

ガリウム砒素の欠陥を顕微鏡で見るように調べる

枠組みを検証するために、研究者らは高品質レーザーや太陽電池で重要な材料であるガリウム砒素中の五つの一般的な点欠陥に注目します。MACE力場は、欠陥周辺の原子振動や局所構造を完全な量子シミュレーションにかなり近い精度で再現しますが、はるかに低コストであることを示します。DeepHはこれらの機械学習で得られた軌道からスナップショットを取り、バンドギャップ内に導入された欠陥の特別な準位を含む電子バンド構造を予測します。温度や系の大きさの幅にわたって、学習されたハミルトニアンは従来の計算と数十ミリ電子ボルト程度の差に収まり、一方で大きなスーパーセルでは三十倍以上高速に動作します。

結晶が加熱されると欠陥準位はどう変わるか

速度と精度の両方を得たチームは、温度が電子環境をどのように再構成するかを探ります。無欠陥のガリウム砒素やヒ素の間隙原子を含む結晶では、学習モデルは原子振動が強くなるにつれてバンドギャップが徐々に縮む挙動を正しく捉えます。また、欠陥準位のエネルギーがどのようにシフトし幅を増すかも明らかになり、これは熱運動への結合と局所環境の絶え間ない再編成を反映しています。技術的に重要なヒ素置換欠陥（反格子欠陥）については、バンドギャップ内に深い準位を作るこの欠陥が、温度上昇で導体帯端に近づきその分布が広がることを示し、温度依存の光学測定と直接比較できる量を提供します。

今後のデバイスにとっての意義

簡潔に言えば、本研究は、注意深く設計されたニューラルネットワークが、欠陥を有する半導体が加熱されるときの原子の動きと電子の応答の双方を学習できることを示しています。一度訓練されれば、これらのモデルは本来なら数か月を要する重い計算を、典型的な計算予算内で収まる計算に変換し、本質的な物理を犠牲にしません。これにより、欠陥が実際のデバイスの効率と安定性に与える影響を日常的に研究する道が開かれ、同じ戦略をより複雑な材料、荷電欠陥、次世代の電子機器や太陽エネルギー技術に関わる他の特性へと拡張するためのテンプレートが提供されます。

引用: 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

キーワード: 半導体欠陥, ガリウム砒素, 機械学習, ニューラルネットワーク, 電子構造