Le carbure de silicium est largement utilisé en électronique de puissance grâce à sa large bande interdite et à sa conductivité thermique élevée. Les défauts ponctuels qu'il contient peuvent dégrader les performances des dispositifs, mais ils ouvrent en même temps la voie au calcul et à la communication quantiques. La recherche de défauts adaptés repose traditionnellement sur des calculs ab initio à haute performance, qui exigent d'importantes ressources de calcul. L'apprentissage automatique peut accélérer ce processus s'il parvient à prédire les propriétés clés des défauts sans relaxation complète de la structure.
Les auteurs ont utilisé un jeu de données de 39333 défauts ponctuels doubles et de 853 défauts ponctuels simples dans le 4H-SiC, issus de la base ADAQ. Chaque défaut était décrit de trois manières : un descripteur atomique (numéros atomiques, distances, charge, spin), un descripteur avec les lettres de Wyckoff (qui ajoute la symétrie locale) et un descripteur avec les coordonnées de Wyckoff (qui détaille les positions des sites interstitiels). Trois modèles ont été entraînés : une régression ridge, une régression ridge à noyau avec un noyau gaussien et un perceptron multicouche. La qualité a été évaluée par l'erreur absolue moyenne via une validation croisée à 10 plis.
Pour les lacunes et les substitutions, la meilleure erreur absolue moyenne s'élevait à 0.437 eV pour l'énergie de formation et à 0.202 eV pour la raie sans phonon. Pour les sites interstitiels, les erreurs sont plus élevées : 1.101 eV et 0.230 eV respectivement. Le descripteur atomique s'est révélé le meilleur dans trois des quatre tâches, ne cédant que pour l'énergie de formation des sites interstitiels, où les coordonnées de Wyckoff ont aidé. Le perceptron multicouche a montré les erreurs les plus faibles pour les énergies de formation, et la régression ridge à noyau pour les raies sans phonon. Les courbes d'apprentissage indiquent que l'ajout de données pourrait encore améliorer les résultats.
Ce travail démontre que même des descripteurs simples, sans structure atomique complète, permettent de prédire les propriétés des défauts avec une précision suffisante pour un criblage préliminaire. Cela abaisse le seuil d'entrée pour l'utilisation de l'apprentissage automatique en science des matériaux et ouvre la voie à un tri massif des candidats non prometteurs avant de lancer des calculs coûteux. La différence avec les travaux voisins réside dans le fait qu'ici, aucune relaxation de structure n'est nécessaire, et que deux grandeurs sont prédites d'emblée : l'énergie de formation et la raie sans phonon.
Les modèles peuvent être améliorés grâce à des descripteurs plus informatifs, en particulier pour les raies sans phonon, où les erreurs sont encore plus élevées. Il est possible d'intégrer à l'entraînement des données sur les structures relaxées ou d'utiliser des réseaux de neurones sur graphes. Une réduction supplémentaire des erreurs permettra de remplacer entièrement les calculs ab initio pour certaines classes de défauts.
La méthode accélérera la recherche de défauts ponctuels pour les technologies quantiques et l'électronique de puissance. Elle est également applicable à d'autres semi-conducteurs ayant une structure cristalline analogue.
L'étape suivante pourrait être l'élargissement du jeu de données et la vérification des modèles sur d'autres polytypes du carbure de silicium. Il faudrait aussi explorer de nouveaux descripteurs tenant compte de la structure électronique du défaut.
Ce travail aborde un problème fondamental : prédire les propriétés des matériaux sans calcul complet de la structure électronique. Il montre que les caractéristiques clés des défauts peuvent être extraites d'informations limitées, ce qui est important pour passer à l'échelle dans la recherche de nouveaux matériaux.
Il existe plus de 200 polytypes de 4H-SiC, mais c'est précisément le 4H qui est utilisé dans la plupart des dispositifs commerciaux. Les défauts ponctuels qu'il contient peuvent émettre des photons uniques, ce qui en fait des candidats pour la cryptographie quantique.