Прогнозирование оптоэлектронных свойств дефектов полупроводников с учётом температуры с помощью эквивариантных нейронных сетей

Почему важны крошечные дефекты в кристаллах

Современная электроника и солнечные элементы создаются из почти идеальных кристаллов, однако их характеристики часто определяются крошечными несовершенствами, называемыми дефектами. Эти нарушения могут захватывать заряд, рассеивать энергию в виде тепла или света и менять поведение устройства по мере его нагрева. В этой статье показано, как продвинутые нейронные сети могут отслеживать поведение таких дефектов при реалистичных температурах без огромных вычислительных затрат, которые до сих пор ограничивали подобные исследования.

Задача выявления скрытых нарушителей

Дефекты в полупроводниках, таких как арсенид галлия, важны как в положительном, так и в отрицательном смысле. Некоторые вводят целенаправленно, чтобы настроить проводимость, тогда как другие незаметно снижают эффективность светодиодов и солнечных элементов. Чтобы понять их, исследователи обычно полагаются на квантово-механические расчёты, которые явно учитывают электроны. Однако такие вычисления становятся чрезвычайно ресурсоёмкими, когда модель кристалла должна быть достаточно большой, чтобы изолировать единичный дефект, и когда тепловые колебания при рабочих температурах учтены через молекулярную динамику. В результате точные температурозависимые предсказания были недоступны для многих практически важных дефектов.

Обучение нейронных сетей правилам взаимодействия атомов

Авторы решают эту проблему, сочетая две специальные графовые нейронные сети, созданные с учётом симметрий трёхмерного пространства. Одна сеть, MACE, учится тому, как атомы толкают и тянут друг друга, чтобы заменить дорогую квантовую динамику машинно-выведённым полем сил. Другая, названная DeepH, обучается предсказывать электронный гамильтониан — математический объект, из которого получают энергии и зонные структуры. Стратегия активного обучения связывает их: модели сначала обучаются на небольшом наборе тщательно отобранных квантовых расчётов, затем итеративно улучшаются, выявляя области наибольшей неопределённости в собственных предсказаниях и добавляя в обучающую выборку именно эти сложные случаи.

Исследование дефектов в арсениде галлия под микроскопом

Чтобы проверить свою методику, исследователи сосредоточились на пяти распространённых точечных дефектах в арсениде галлия — ключевом материале для высококачественных лазеров и солнечных элементов. Они показывают, что поле сил, обученное MACE, воспроизводит колебания атомов и местные структуры вокруг дефектов с точностью, близкой к полным квантовым расчётам, но при значительно меньших затратах. DeepH затем берёт снимки из этих машинно-обученных траекторий и предсказывает электронную зонную структуру, включая особые уровни, вводимые дефектами внутри запрещённой зоны. В широком диапазоне температур и размеров систем изучаемый гамильтониан повторяет классические расчёты с погрешностью всего в несколько десятых долей электронвольта (десятки милливольт), работая при этом более чем в тридцать раз быстрее для больших суперячейек.

Отслеживание уровней дефектов по мере нагрева кристалла

Обладая и скоростью, и точностью, команда изучает, как температура перестраивает электронный ландшафт. Для чистого арсенида галлия и для кристаллов с интерстициальным атомом арсения обученная модель правильно захватывает постепенное сужение ширины запрещённой зоны по мере усиления атомных вибраций. Она также показывает, как энергия дефектного уровня смещается и расширяется, отражая его связь с тепловым движением и постоянной перестановкой локальной среды. Для технологически важного дефекта «антисайт арсения», который создаёт состояние глубоко внутри запрещённой зоны, подход демонстрирует, что при повышении температуры этот уровень смещается ближе к краю зоны проводимости и увеличивает своё рассеяние, предоставляя величины, которые можно напрямую сравнить с температурно-зависимыми оптическими измерениями.

Что это значит для будущих устройств

Проще говоря, работа показывает, что тщательно спроектированные нейронные сети могут одновременно научиться тому, как движутся атомы, и как реагируют электроны в несовершенных полупроводниках при нагреве. После обучения модели превращают месяцы тяжёлых расчётов в вычисления, укладывающиеся в типичный вычислительный бюджет, без утраты существенной физики. Это открывает возможность рутинных исследований того, как дефекты влияют на эффективность и стабильность реальных устройств, и служит шаблоном для распространения той же стратегии на более сложные материалы, заряженные дефекты и другие свойства, важные для электроники и солнечных технологий следующего поколения.

Цитирование: 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

Ключевые слова: дефекты полупроводников, арсенид галлия, машинное обучение, нейронные сети, электронная структура