Вычислительные стратегии моделирования дефектов в полупроводниках

Семинар дискуссионной группы Центра Леннарда-Джонса, проводимый Шоном Каванахом из Кембриджского университета. Моделирование атомной и электронной структуры твердых тел на основе первых принципов предлагает мощный способ прогнозирования и понимания свойств материалов.[1] Это особенно актуально в случае точечных дефектов, которые существенно влияют на свойства материалов, но при этом создают множество проблем для экспериментальной характеризации. В последние годы наблюдаются значительные успехи как в вычислительных методологиях[1,2], так и в связанных с ними инструментах[3–5] для моделирования поведения дефектов. Я кратко расскажу о своих совместных усилиях в этой области, включая подходы к моделированию метастабильности дефектов и их влияния на рекомбинацию электрон-дырка[6–8], разработку пакета моделирования легированных дефектов с открытым исходным кодом[3] и оставшиеся проблемы в этой области.[9] Наконец, я расскажу о недавних работах по расширению этих подходов с использованием базовых моделей машинного обучения, демонстрирующих захватывающий потенциал этих методов в области моделирования дефектов, но с важными оговорками относительно их точности и надежности на данный момент.[10,11] 1. Arrigoni, M. & Madsen, G. K. H. Evolutionary computing and machine learning for discovering of low-energy defect configurations. npj Comput Mater 7, 1–13 (2021). 2. Alkauskas, A., Yan, Q. & Van de Walle, C. G. First-principles theory of nonradiative carrier capture via multiphonon emission. Phys. Rev. B 90 , 075202 (2014). 3. Kavanagh, S. R. et al. doped: Python toolkit for robust and repeatable charged defect supercell calculations. Journal of Open Source Software 9, 6433 (2024). 4. Хуанг, М. и др. DASP: Пакет для моделирования дефектов и легирующих примесей методом ab-initio. J. Semicond. 43, 042101 (2022). 5. Москера-Лоис, И., Кавана, С. Р., Уолш, А. и Сканлон, Д. О. ShakeNBreak: Навигация по ландшафту конфигураций дефектов. Journal of Open Source Software 7, 4817 (2022). 6. Кавана, С. Р., Уолш, А. и Сканлон, Д. О. Быстрая рекомбинация вакансий кадмия в CdTe. ACS Energy Lett. 6, 1392–1398 (2021). 7. Кавана, С. Р., Сканлон, Д. О., Уолш, А. и Фрейсольдт, К. Влияние метастабильных дефектных структур на рекомбинацию носителей заряда в солнечных элементах. Faraday Discuss. 239, 339–356 (2022). 8. Ван, С., Кавана, С. Р., Сканлон, Д. О. и Уолш, А. Верхний предел эффективности солнечных элементов на основе Sb₂Se₃. Joule 8, 2105–2122 (2024). 9. Сквайрс, А. Г., Кавана, С. Р., Уолш, А. и Сканлон, Д. О. Рекомендации по надежному и воспроизводимому моделированию точечных дефектов в кристаллах. Nat Rev Mater 1–18 (2026) doi:10.1038/s41578-025-00879-y. 10. Mosquera-Lois, I., Kavanagh, S. R., Ganose, A. M. & Walsh, A. Реконструкция структур с помощью машинного обучения для ускоренных расчетов точечных дефектов. npj Comput Mater 10, 1–9 (2024). 11. Kavanagh, S. R. Идентификация дефектов расщепленных вакансий с помощью моделей фундаментов, полученных с помощью машинного обучения, и электростатики. J. Phys. Energy 7, 045002 (2025). Семинар состоялся 26 января 2026 года. 🖥️ Посетите наши сайты: https://linktr.ee/cumaterials