Potencial Interatómico Unificado Basado en Grafos para la Optimización de Estructuras de Perovskita

Área de la Ciencia:

• Ciencia de Materiales; Química Computacional; Aprendizaje Automático

Sus antecedentes:

• Las perovskitas de haluro (HaP) son prometedoras para la optoelectrónica y la catálisis.; Su complejo espacio composicional (aleaciones, defectos, superficies) dificulta la optimización.; La exploración eficiente de las superficies de energía potencial (PES) de HaP es un desafío.

Objetivo del estudio:

• Desarrollar un potencial interatómico unificado basado en grafos y aprendizaje profundo para HaP.; Permitir la optimización y predicción eficientes de la energética en diversas estructuras de HaP.; Navegar por la compleja superficie de energía potencial (PES) de HaP.

Principales métodos:

• Se entrenó un potencial interatómico de aprendizaje automático (IAP) basado en M3GNet con un conjunto de datos completo de DFT de ~12 000 estructuras de HaP.; Se incluyeron aleaciones a granel, defectos nativos/de impurezas y losas de superficie en los datos de entrenamiento.; El marco IAP se entrenó con energías, fuerzas y tensiones para la optimización basada en gradientes.

Principales resultados:

• El M3GNet-IAP demostró una sólida generalización en la compleja superficie de energía potencial (PES) de HaP.; Se obtuvieron errores de predicción bajos: energías (3,7 meV/átomo), fuerzas (16,5 meV/Å) y tensiones (5,5 MPa).; Se predijeron con precisión las energías de formación, descomposición, defectos y superficies para HaP.

Conclusiones:

• El modelo sustituto unificado ofrece un enfoque holístico para la optimización de la geometría de HaP.; Este método facilita la exploración eficiente de diversas variaciones estructurales en HaP.; El modelo es transformador para el descubrimiento de nuevas composiciones, defectos, dopantes y propiedades de superficie de HaP.