Förutsäga temperaturoberoende optoelektroniska egenskaper hos halvledardefekter med ekvivalenta neurala nätverk

Varför små fel i kristaller spelar roll

Modern elektronik och solceller byggs av nästan perfekta kristaller, ändå styrs deras prestanda ofta av små ofullkomligheter kallade defekter. Dessa fel kan fånga laddning, läcka energi som värme eller ljus och ändra hur en enhet beter sig när den värms upp. Denna artikel visar hur avancerade neurala nätverk kan följa vad dessa defekter gör vid realistiska temperaturer utan de stora beräkningskostnader som tidigare begränsat sådana studier.

Utmaningen att se dolda bovar

Defekter i halvledare som galliumarsenid är viktiga av både goda och dåliga skäl. Vissa införs avsiktligt för att justera ledningsförmågan, medan andra tyst urholkar effektiviteten i lysdioder och solceller. För att förstå dem förlitar sig forskare normalt på kvantmekaniska simuleringar som behandlar elektroner explicit. Dessa beräkningar blir dock extremt krävande när den simulerade kristallen måste vara tillräckligt stor för att isolera en enda defekt och när termiska vibrationer vid driftstemperaturer inkluderas via molekylär dynamik. Som en följd har noggranna temperaturberoende förutsägelser varit utom räckhåll för många praktiskt viktiga defekter.

Lära neurala nätverk atomernas regler

Författarna angriper detta genom att kombinera två särskilda grafbaserade neurala nätverk som är konstruerade för att respektera symmetrierna i tredimensionellt rum. Ett nätverk, MACE, lär sig hur atomer skjuter och drar i varandra så att det kan ersätta kostsam kvantbaserad dynamik med ett maskininlärt kraftfält. Det andra, kallat DeepH, lär sig den elektroniska Hamiltonianen, det matematiska objekt från vilket energier och bandstrukturer erhålls. En aktiv inlärningsstrategi knyter ihop dem: modellerna tränas först på en liten uppsättning noggrant utvalda kvantberäkningar, och förbättras sedan iterativt genom att identifiera där deras egna förutsägelser är mest osäkra och lägga till just dessa utmanande fall i träningsdata.

Granska defekter i galliumarsenid

För att testa sin ramverk fokuserar forskarna på fem vanliga punktdefekter i galliumarsenid, ett nyckelmaterial för högkvalitativa lasrar och solceller. De visar att MACE-kraftfältet återger atomvibrationer och lokala strukturer runt defekter med en noggrannhet nära fulla kvantsimuleringar, men till mycket lägre kostnad. DeepH tar sedan ögonblicksbilder från dessa maskininlärda banor och förutsäger den elektroniska bandstrukturen, inklusive de speciella nivåer som defekter inför i bandgapet. Över ett spektrum av temperaturer och systemstorlekar följer den inlärda Hamiltonianen konventionella beräkningar inom bara några tiotals millielektronvolt, samtidigt som den körs mer än trettio gånger snabbare för stora superceller.

Följa defektnivåer när kristallen värms upp

Med både hastighet och noggrannhet till hands utforskar teamet hur temperatur formar om det elektroniska landskapet. För ren galliumarsenid och för kristaller som innehåller en arsenikinterstitial fångar den inlärda modellen korrekt den gradvisa krympningen av bandgapet när atomerna vibrerar starkare. Den visar också hur energin för defektnivån förskjuts och breddas, vilket återspeglar dess koppling till termisk rörelse och den ständiga omfördelningen av den lokala omgivningen. För den tekniskt viktiga arsenik-antisite-defekten, som skapar ett tillstånd djupt inne i bandgapet, visar metoden att stigande temperatur förflyttar denna nivå närmare ledningsbandskanten och ökar dess spridning, och ger kvantiteter som kan jämföras direkt med temperaturberoende optiska mätningar.

Vad detta betyder för framtida enheter

Enkelt uttryckt visar detta arbete att noggrant utformade neurala nätverk kan lära sig både hur atomer rör sig och hur elektroner reagerar i ofullkomliga halvledare när de värms upp. När de har tränats omvandlar modellerna vad som annars skulle vara månaders tung beräkning till uträkningar som ryms inom typiska beräkningsbudgetar, utan att offra den väsentliga fysiken. Detta öppnar dörren för rutinmässiga studier av hur defekter påverkar effektiviteten och stabiliteten i verkliga enheter och erbjuder en mall för att utvidga samma strategi till mer komplexa material, laddade defekter och andra egenskaper som betyder något för nästa generations elektronik och solenergiteknik.

Citering: 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

Nyckelord: halledardefekter, galliumarsenid, maskininlärning, neuronätverk, elektronstruktur