用等变神经网络预测半导体缺陷的温度依赖光电性质

为什么微小的晶体缺陷至关重要

现代电子器件和太阳能电池由几乎完美的晶体构成，但它们的性能常常由称为缺陷的微小不完美决定。这些缺陷会俘获电荷、以热或光的形式泄露能量，并随着器件升温改变其行为。本文展示了先进的神经网络如何在现实温度下追踪这些缺陷的作用，而无需以往那样付出极高的计算代价。

识别隐蔽“麻烦制造者”的挑战

像砷化镓这样的半导体中的缺陷既可能带来好处也可能带来问题。有些缺陷是有意引入以调节导电性，而另一些则在发光二极管和太阳能电池中悄悄降低效率。为了解它们，研究者通常依靠显式处理电子的量子力学模拟。然而，当模拟晶体必须足够大以孤立单个缺陷，并且当通过分子动力学考虑工作温度下的热振动时，这些计算会变得极为耗费资源。因此，对于许多实际重要的缺陷，准确的温度依赖预测长期难以实现。

教神经网络原子的行为规则

作者通过结合两种特殊的基于图的神经网络来应对这一问题，这些网络被构建以遵守三维空间的对称性。其中一种网络 MACE 学习原子之间如何相互推拉，从而可以用机器学习的力场替代昂贵的基于量子力学的动力学计算。另一种称为 DeepH 的网络学习电子哈密顿量——从中可以得到能量和能带结构的数学对象。一种主动学习策略将二者联系起来：模型首先在一小批精心选择的量子计算上训练，然后通过反复询问自身在哪些预测上最不确定，并仅将那些具有挑战性的情况加入训练数据以逐步改进模型。

将砷化镓中的缺陷置于显微镜下

为验证其框架，研究者将注意力集中在砷化镓中五种常见的点缺陷上——砷化镓是制造高质量激光器和太阳能电池的关键材料。他们表明，MACE 力场以远低于全量子模拟的成本再现了缺陷周围的原子振动和局部结构，准确性接近全量子模拟。随后 DeepH 从这些机器学习得到的轨迹中取快照并预测电子能带结构，包括缺陷在能隙内引入的特殊能级。在一系列温度和体系尺寸下，学习到的哈密顿量相比传统计算误差仅为几十毫电子伏，而对于大的超胞运行速度则快了三十倍以上。

随着晶体升温追踪缺陷能级

兼具速度与精度后，团队探究了温度如何重塑电子能景。对于无缺陷的砷化镓以及含砷间隙原子的晶体，学习模型正确捕捉到随着原子振动增强而逐渐缩小的能隙。它还揭示了缺陷能级如何发生位移和展宽，反映出该能级与热运动的耦合以及局部环境的持续重排。对于技术上重要的砷反位缺陷（在能隙内部产生深能级），该方法显示升温会使该能级向导带边缘移动并增大其展宽，提供了可与温度依赖光学测量直接比较的量值。

对未来器件的意义

简而言之，这项工作表明精心设计的神经网络能够学习不完美半导体中原子的运动以及电子的响应随温度变化的情况。模型一旦训练完毕，就能将本需数月的繁重计算缩减为适合典型计算预算的任务，同时不牺牲关键物理。这为常规研究缺陷如何影响实际器件效率与稳定性打开了大门，并为将同样策略扩展到更复杂材料、带电缺陷以及对下一代电子和太阳能技术重要的其它性质提供了范式。

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

关键词: 半导体缺陷, 砷化镓, 机器学习, 神经网络, 电子结构