El carburo de silicio se emplea ampliamente en la electrónica de potencia gracias a su amplia banda prohibida y su alta conductividad térmica. Los defectos puntuales en él pueden degradar las características de los dispositivos, pero a la vez abren camino a la computación y las comunicaciones cuánticas. La búsqueda de defectos adecuados se apoya tradicionalmente en cálculos de primeros principios de alto rendimiento, que exigen grandes recursos computacionales. El aprendizaje automático puede acelerar este proceso si logra predecir las propiedades clave de los defectos sin necesidad de una relajación completa de la estructura.
Los autores utilizaron un conjunto de datos de 39333 defectos puntuales dobles y 853 simples en 4H-SiC, tomados de la base de datos ADAQ. Cada defecto se describía de tres maneras: con un descriptor atómico (números atómicos, distancias, carga, espín), con un descriptor de letras de Wyckoff (que añade la simetría local) y con un descriptor de coordenadas de Wyckoff (que detalla las posiciones de los intersticios). Se entrenaron tres modelos: regresión de cresta, regresión de cresta con núcleo gaussiano y perceptrón multicapa. La calidad se evaluó mediante el error absoluto medio a través de una validación cruzada de 10 pliegues.
Para vacantes y sustituciones, el mejor error absoluto medio fue de 0.437 eV para la energía de formación y de 0.202 eV para la línea sin fonón. Para los intersticios, los errores son mayores: 1.101 eV y 0.230 eV, respectivamente. El descriptor atómico resultó el mejor en tres de las cuatro tareas, y solo cedió ante la energía de formación de los intersticios, donde ayudaron las coordenadas de Wyckoff. El perceptrón multicapa mostró los menores errores para las energías de formación, y la regresión de cresta con núcleo, para las líneas sin fonón. Las curvas de aprendizaje indican que añadir datos aún puede mejorar los resultados.
El trabajo demuestra que incluso descriptores sencillos, sin la estructura atómica completa, permiten predecir las propiedades de los defectos con una precisión suficiente para un cribado preliminar. Esto reduce el umbral de entrada para usar el aprendizaje automático en la ciencia de materiales y abre el camino a descartar de forma masiva candidatos poco prometedores antes de lanzar costosos cálculos. La diferencia con trabajos vecinos es que aquí no se requiere la relajación de la estructura, y se predicen dos magnitudes a la vez: la energía de formación y la línea sin fonón.
Los modelos pueden mejorarse con descriptores más informativos, sobre todo para las líneas sin fonón, donde los errores son todavía mayores. Es posible incorporar al entrenamiento datos sobre estructuras relajadas o recurrir a redes neuronales de grafos. Una reducción adicional de los errores permitirá sustituir por completo los cálculos de primeros principios para algunas clases de defectos.
El método acelerará la búsqueda de defectos puntuales para las tecnologías cuánticas y la electrónica de potencia. También es aplicable a otros semiconductores con una estructura cristalina similar.
El siguiente paso puede ser ampliar el conjunto de datos y probar los modelos en otros politipos del carburo de silicio. También conviene investigar nuevos descriptores que tengan en cuenta la estructura electrónica del defecto.
El trabajo aborda un problema fundamental: predecir las propiedades de los materiales sin un cálculo completo de la estructura electrónica. Muestra que las características clave de los defectos pueden extraerse de información limitada, algo importante para escalar la búsqueda de nuevos materiales.
En el 4H-SiC existen más de 200 politipos, pero es precisamente el 4H el que se usa en la mayoría de los dispositivos comerciales. Los defectos puntuales en él pueden emitir fotones individuales, lo que los convierte en candidatos para la criptografía cuántica.