ペロブスカイト構造最適化のための統一グラフベース原子間ポテンシャル

科学分野:

• 材料科学
• 計算化学
• 機械学習

背景:

• ハロゲン化ペロブスカイト（HaPs）は、オプトエレクトロニクスと触媒の分野で有望視されています。
• その複雑な組成空間（合金、欠陥、表面）は最適化を妨げます。
• HaPポテンシャルエネルギー面の効率的な探索は困難です。

研究 の 目的:

• HaPsのための統一されたグラフベースの深層学習原子間ポテンシャルを開発すること。
• 多様なHaP構造にわたるエネルギーの効率的な最適化と予測を可能にすること。
• HaPsの複雑なポテンシャルエネルギー面（PES）をナビゲートすること。

主な方法:

• 約12,000のHaP構造の包括的なDFTデータセットでトレーニングされたM3GNetベースの機械学習原子間ポテンシャル（IAP）。
• トレーニングデータには、バルク合金、ネイティブ/不純物欠陥、表面スラブが含まれていました。
• IAPフレームワークは、勾配ベースの最適化のためにエネルギー、力、応力でトレーニングされました。

主要な成果:

• M3GNet-IAPは、複雑なHaP PES全体で堅牢な一般化能力を示しました。
• 低い予測誤差を達成しました：エネルギー（3.7 meV/atom）、力（16.5 meV/Å）、応力（5.5 MPa）。
• HaPsの形成、分解、欠陥、表面エネルギーを正確に予測しました。

結論:

• 統一された代理モデルは、HaP幾何最適化への全体的なアプローチを提供します。
• この方法は、HaPsにおける多様な構造的変動の効率的な探索を容易にします。
• このモデルは、新しいHaP組成、欠陥、ドーパント、表面特性の発見に革命的です。