在无形GeSe中揭示缺陷图案,使用机器学习的原子间潜力
Minseok Moon1, Seungwoo Hwang1, Jaesun Kim1
1Department of Materials Science and Engineering and Research Institute of Advanced Materials, Seoul National University, Seoul 08826, Korea.
ACS applied materials & interfaces
|October 1, 2025
概括
机器学习潜能准确地模拟无形GeSe,揭示了对Ovonic Threshold Switching (OTS) 存储器设备至关重要的两个缺陷类型. 这些与特定原子结构相关的缺陷解释了非易失性记忆中的切换行为.
科学领域:
- 材料科学 材料科学 材料科学
- 计算材料科学科学 计算材料科学
- 固态物理 固态物理
背景情况:
- 卵子值切换 (OTS) 选择器是非易失性内存的关键组件.
- 它们的非线性电特性和极性依赖的值电压是至关重要的.
- 驱动OTS的缺陷状态的原子尺度起源仍然不太清楚.
研究的目的:
- 系统地研究无形GeSe中的缺陷状态.
- 了解OTS行为在原子尺度上的起源.
- 为了将电子缺陷水平与特定的结构特征相关联.
主要方法:
- 利用了机器学习原子间潜力 (MLIPs) 加速的分子动力学模拟.
- 基准测试了各种MLIP架构,包括基于描述符和基于图形神经网络 (GNN) 的潜能.
- 采用了优化的GNN模型来分析20个独立的无形GeSe结构.
主要成果:
- 确定了高阶相互作用 (≥4体) 和中距离秩序对于准确的无形GeSe建模至关重要.
- GNN架构有效地捕捉这些复杂的交互,防止虚假缺陷.
- 发现了两个不同的缺陷模式:对齐的Ge链 (导电带缺陷) 和过度协调的Ge链 (价值带缺陷).
- 与结合角度对齐和皮尔尔斯扭曲相关的电子缺陷水平.
结论:
- 基于GNN的优化MLIP提供了无形GeSe的准确模拟.
- 确定了两种特定的缺陷类型及其在无形GeSe中的结构起源.
- 这些发现为了解缺陷驱动的OTS现象提供了理论基础.
更多相关视频
06:57Theoretical Calculation and Experimental Verification for Dislocation Reduction in Germanium Epitaxial Layers with Semicylindrical Voids on Silicon
Published on: July 17, 2020
2.6K
05:56Exploring Caspase Mutations and Post-Translational Modification by Molecular Modeling Approaches
Published on: October 13, 2022
1.7K
相关概念视频
Predicting Molecular Geometry
45.2K
VSEPR Theory for Determination of Electron Pair Geometries
45.2K
Molecular Models
43.5K
Physical models representing molecular architectures of chemical compounds play essential roles in understanding chemistry. The use of molecular models makes it easier to visualize the structures and shapes of atoms and molecules.
43.5K
