Карбид кремния широко применяется в силовой электронике благодаря широкой запрещённой зоне и высокой теплопроводности. Точечные дефекты в нём могут ухудшать характеристики приборов, но одновременно открывают путь к квантовым вычислениям и связи. Поиск подходящих дефектов традиционно опирается на высокопроизводительные расчёты из первых принципов, которые требуют больших вычислительных ресурсов. Машинное обучение способно ускорить этот процесс, если научится предсказывать ключевые свойства дефектов без полной релаксации структуры.
Авторы использовали набор данных из 39333 двойных и 853 одиночных точечных дефектов в 4H-SiC, взятых из базы ADAQ. Каждый дефект описывался тремя способами: атомным дескриптором (атомные номера, расстояния, заряд, спин), дескриптором с буквами Уайкоффа (добавляет локальную симметрию) и дескриптором с координатами Уайкоффа (детализирует позиции междоузлий). Обучались три модели: гребневая регрессия, ядерная гребневая регрессия с гауссовым ядром и многослойный перцептрон. Качество оценивалось средней абсолютной ошибкой через 10-кратную кросс-валидацию.
Для вакансий и замещений лучшая средняя абсолютная ошибка составила 0.437 эВ для энергии образования и 0.202 эВ для бесфононной линии. Для междоузлий ошибки выше: 1.101 эВ и 0.230 эВ соответственно. Атомный дескриптор оказался лучшим в трёх из четырёх задач, уступив только энергии образования междоузлий, где помогли координаты Уайкоффа. Многослойный перцептрон показал наименьшие ошибки для энергий образования, а ядерная гребневая регрессия — для бесфононных линий. Кривые обучения указывают, что добавление данных может ещё улучшить результаты.
Работа демонстрирует, что даже простые дескрипторы без полной атомной структуры позволяют предсказывать свойства дефектов с точностью, достаточной для предварительного скрининга. Это снижает порог входа для использования машинного обучения в материаловедении и открывает путь к массовому отсеву неперспективных кандидатов до запуска дорогих расчётов. Отличие от соседних работ в том, что здесь не требуется релаксация структуры, а предсказываются сразу две величины: энергия образования и бесфононная линия.
Модели можно улучшать за счёт более информативных дескрипторов, особенно для бесфононных линий, где ошибки пока выше. Возможно включение в обучение данных о релаксированных структурах или использование графовых нейросетей. Дальнейшее снижение ошибок позволит полностью заменить расчёты из первых принципов для некоторых классов дефектов.
Метод ускорит поиск точечных дефектов для квантовых технологий и силовой электроники. Он также применим к другим полупроводникам с аналогичной кристаллической структурой.
Следующим шагом может стать расширение набора данных и проверка моделей на других политипах карбида кремния. Также стоит исследовать новые дескрипторы, учитывающие электронную структуру дефекта.
Работа затрагивает фундаментальную проблему предсказания свойств материалов без полного расчёта электронной структуры. Она показывает, что ключевые характеристики дефектов можно извлечь из ограниченной информации, что важно для масштабирования поиска новых материалов.
В 4H-SiC существует более 200 политипов, но именно 4H используется в большинстве коммерческих приборов. Точечные дефекты в нём могут излучать одиночные фотоны, что делает их кандидатами для квантовой криптографии.