Redian新闻
>
Npj Comput. Mater.: 稳定半导体材料的发现—深度学习-DFT

Npj Comput. Mater.: 稳定半导体材料的发现—深度学习-DFT

公众号新闻

海归学者发起的公益学术平台

分享信息,整合资源

交流学术,偶尔风月

半导体材料是使用晶体管、发光二极管、集成电路、光伏、太阳能电池等的现代设备的重要组成部分。元素周期表第 XIV 族发现的元素半导体及 Ge 的化合物,广泛应用于电子、光伏和光电子器件。然而,不同工业应用需要具有不同性能的半导体材料。因此,探索半导体的计算方法对提高未来技术至关重要。前人研究证实,使用高通量筛选有可能探索到有前景的半导体材料。生成对抗网络(GAN)是一种从输入数据中学习模式/分布的生成模型,CubicGAN 是大规模生成材料的方法。结合各种方法优点开发新的计算通道,来设计满足不同性能需求的稳定半导体材料具有重要意义。


来自美国南卡罗来纳大学计算机科学与工程系的Jianjun Hu教授团队,开发了一种计算管道,通过结合生成对抗网络 (GAN)、分类器和高通量第一性原理计算,来发现新的稳定半导体。研究者开发一种二元分类器,从CubicGAN模型生成立方材料过滤半导体/绝缘体(非金属),然后使用第一原理研究其稳定性。他们的研究在 F-43m 空间群中发现了 12 种稳定的 AA′′MH6 立方半导体材料。DFT计算结果表明:1)相对于其他 AA''MH6 材料的力学性能,AA''MnH6 和 NaYRuH6具有更高的 Cii (i = 1, 2, 3) 弹性常数、体积模量、剪切模量和杨氏模量;2)低于 200 K时,相对于其他 AA''MH6 材料,AA''MnH6 和 NaYRuH6具有更低的比热容 (Cv) ;3)300 K 时BaSrZnH6具有最高比热容 (127.96 JK-1mol-1)。4)基于精确的杂化泛函计算,发现 AA′′MH6 半导体是宽带隙半导体。其中,BaSrZnH6 和 KNaNiH6是直接带隙半导体,其余是间接带隙半导体。此外,作者还研究了最重要的元素和电子性质。


该研究提出了一种结合生成对抗网络 (GAN)、分类器和高通量第一性原理计算的计算通道,实现了稳定半导体材料的生成设计,将有助于开发光学和高温功率器件。相关


该文近期发表于npj Computational Materials 8:164(2022)英文标题与摘要如下,点击左下角“阅读原文”可以自由获取论文PDF。



Generative design of stable semiconductor materials using deep learning and density functional theory


Edirisuriya M. Dilanga Siriwardane, Yong Zhao, Indika Perera & Jianjun Hu


Semiconductor device technology has greatly developed in complexity since discovering the bipolar transistor. In this work, we developed a computational pipeline to discover stable semiconductors by combining generative adversarial networks (GAN), classifiers, and high-throughput first-principles calculations. We used CubicGAN, a GAN-based algorithm for generating cubic materials and developed a classifier to screen the semiconductors and studied their stability using first principles. We found 12 stable AA′′MH6 semiconductors in the F-43m space group including BaNaRhH6, BaSrZnH6, BaCsAlH6, SrTlIrH6, KNaNiH6, NaYRuH6, CsKSiH6, CaScMnH6, YZnMnH6, NaZrMnH6, AgZrMnH6, and ScZnMnH6. Previous research reported that five AA′′IrH6 semiconductors with the same space group were synthesized. Our research shows that AA′′MnH6 and NaYRuH6 semiconductors have considerably different properties compared to the rest of the AA′′MH6 semiconductors. Based on the accurate hybrid functional calculations, AA′′MH6 semiconductors are found to be wide-bandgap semiconductors. Moreover, BaSrZnH6 and KNaNiH6 are direct-bandgap semiconductors, whereas others exhibit indirect bandgaps.

扩展阅读

 
Npj Comput. Mater.: 带电膜的力学和电化学—新理论、新诠释
Npj Comput. Mater.: 沸石—大规模精确模拟
Npj Comput. Mater.: 局部原子邻域描述符—无损压缩
Npj Comput. Mater.: 多主元素合金硬度—集成神经网络模型
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。
相关阅读
Npj Comput. Mater.: 沸石—大规模精确模拟Npj Comput. Mater.: 原子间势—准确性和可迁移性“不希望政客决定半导体的未来”一个老海归的“逃出”Npj Comput. Mater.: 聚簇描述—机器学习法实现外推Npj Comput. Mater.: 原子尺度成像—机器学习的亚像素处理回国, 十年签证可办了Npj Comput. Mater.: DFT中的电子密度—等变图神经网络Npj Comput. Mater.: “工艺-结构-性能”—谁知其中不确定性?深度学习先驱者 Geoffrey Hinton 发布新深度学习算法Npj Comput. Mater.: 优质金属零件的打印—人类智能增强的机器学习Npj Comput. Mater.: 自由电子金属—原来可以这样做电子关联!大基金二期再出手,瞄准半导体材料Npj Comput. Mater.: 2D过渡金属单卤化物—如此超导和拓扑态半导体材料龙头:中国不再是积极押注的地方美国哥伦比亚学院计算机科学副学士专业(Computer Science AAS)简介Npj Comput. Mater.: 表面合金化学吸附—d带中心模型能否适用?Npj Comput. Mater.: 单原子催化剂—动态电荷转移模型CV发论文的机会来了!南洋理工项目招生(仅限深度学习,AI,机器学习,迁移学习方向)2023 內心成熟的人,看誰都顺眼!Npj Comput. Mater.: 单原子催化剂动态电荷转移—找CeO2试一下华为和封测巨头联手,投出一个半导体材料IPO!股价涨超100%[电脑] [第八届机王争霸赛]专业MOD组——X-Computer by JETH-DESIGNNpj Comput. Mater.: 局部原子邻域描述符—无损压缩一文详解Prompt学习和微调(Prompt Learning & Prompt Tuning)Npj Comput. Mater.: 玻璃结构预测—懂物理的机器学习Npj Comput. Mater.: 氧化物中的拓扑态—如何不再众里寻她千百度?Npj Comput. Mater.: 轨道耦合—调控谷能带和激子劈裂Npj Comput. Mater.: 搭乘“特快列车”的异相催化原子模拟[录取捷报]爱丁堡大学,Computer Science专业录取啦!难诉相思,送谢莉斯老师量子论对狭义相对论的致命的依赖Npj Comput. Mater.: 多主元素合金硬度—集成神经网络模型Npj Comput. Mater.: 带电膜的力学和电化学—新理论、新诠释Npj Comput. Mater.: 让马儿跑得又快又准—晶格热导率预测
logo
联系我们隐私协议©2024 redian.news
Redian新闻
Redian.news刊载任何文章,不代表同意其说法或描述,仅为提供更多信息,也不构成任何建议。文章信息的合法性及真实性由其作者负责,与Redian.news及其运营公司无关。欢迎投稿,如发现稿件侵权,或作者不愿在本网发表文章,请版权拥有者通知本网处理。