【会员新闻】南方科技大学和芬兰赫尔辛基大学的研究团队通过精确的通用机器学习原子间势能探索复杂的 Ga₂O₃ 多晶体

        近期，由南方科技大学和芬兰赫尔辛基大学的研究团队在科学期刊《npj Computational Materials》中发布了一篇名为Complex Ga₂O₃ polymorphs explored by accurate and general-purpose machine-learning interatomic potentials（通过精确的通用机器学习原子间势能探索复杂的 Ga₂O₃ 多晶体）的论文文章。

内容摘要

        Ga₂O₃是一种宽禁带半导体，对于电子和光电子应用具有日益重要的意义。然而，复杂共存的Ga₂O₃多晶形态和低对称性无序结构的重要性质信息仍然缺失。我们为Ga₂O₃开发了两种机器学习高斯近似势（ML-GAP），这两种势对β/κ/α/δ/γ多晶形态具有高精度，对无序化学计量结构具有通用性。我们并行发布了两个原子间势版本，即soapGAP和tabGAP，分别用于高精度和超速计算。这两种势能都能够以与从头算结果非常一致的方式重现所有五种多晶形态的结构特性，与密度泛函理论相比，计算效率分别提高了5 × 10²和2 × 10⁵倍。此外，Ga₂O₃的液-固相转变经历了三个不同的阶段。这种在实验中尚未揭示的复杂动态可以通过在界面层中O和Ga子晶格的明显不同的迁移率来理解。

图 1：DFT 数据库概览

图 2：soapGAP 和 tabGAP 的验证