DOI: https://doi.org/10.1039/d6cp00170j
PMID: https://pubmed.ncbi.nlm.nih.gov/41989819
تاريخ النشر: 2026-01-01
المؤلف: Md. Habibur Rahman وآخرون
الموضوع الرئيسي: تعلم الآلة في علوم المواد
نظرة عامة
تقدم البحث إطار DeFecT-FF، المصمم للتنبؤ بالطاقة والتكوينات الأساسية للعيوب النقطية، والمُشبعين الخارجيين، ومجمعات العيوب في مركبات Cd/Zn-Te/Se/S ذات الطور الزنكبليندي، والتي تعتبر حاسمة لتحسين أداء خلايا الشمسية القائمة على CdTe. باستخدام حسابات نظرية الكثافة الوظيفية (DFT) عالية الإنتاجية جنبًا إلى جنب مع نماذج مجال القوة المعتمدة على الرسم البلوري (MLFF)، يتناول الإطار تعقيد تكوينات العيوب وتفاعلاتها، والتي تعتبر محورية لتحسين الخصائص الإلكترونية لطبقة امتصاص CdTe. تتضمن مجموعة البيانات هياكل وطاقة مستمدة من تحسين هندسة HSE06، ومن خلال التعلم النشط، تم تدريب النموذج للتنبؤ بدقة بالطاقة والقوى الذرية عبر حالات الشحن المختلفة.
يقلل إطار DeFecT-FF بشكل كبير من الوقت الحاسوبي المطلوب لتحسين العيوب من حوالي 8-9 ساعات باستخدام HSE06 إلى مجرد 1-2 دقيقة، مع الحفاظ على دقة قريبة من DFT مع قيم خطأ الجذر التربيعي المتوسط (RMSE) تتراوح بين 5-10 ميلي إلكترون فولت/ذرة لطاقة تشكيل البلورة وأقل من 0.20 إلكترون فولت لطاقة تشكيل العيوب. يمكّن هذا التقدم من إجراء مسوحات شاملة للعيوب لتصبح روتينية بدلاً من أن تكون صعبة، مما يسهل تحديد تكوينات العيوب ذات الطاقة المنخفضة وطاقة تكوينها. الإطار متاح للجمهور على منصة nanoHUB، مما يسمح للمستخدمين بإنشاء العيوب وحساب طاقات تشكيلها بكفاءة، وبالتالي تسريع تحسين المُشبعين والعمليات في تقنيات خلايا CdSeTe الشمسية.
نقاش
توضح قسم النقاش في ورقة البحث الفضاء الكيميائي الواسع للعيوب المرتبط بمواد Cd/Zn-Te/Se، مع التأكيد على التعقيد الناجم عن أنواع العيوب المختلفة وتكويناتها. يبرز المؤلفون أن إنشاء مجموعة بيانات شاملة من خلال حسابات نظرية الكثافة الوظيفية (DFT) سيتطلب ما يقرب من 0.9 مليون حساب، لكنهم قاموا بتجميع مجموعة فرعية ذات مغزى من الهياكل من الأدبيات الموجودة. تعمل هذه المجموعة الفرعية كأساس لتدريب نماذج الشبكة العصبية الرسومية (GNN)، والتي يتم تحسينها بشكل أكبر من خلال نهج التعلم النشط لاستهداف المناطق ذات عدم اليقين العالي في الفضاء الكيميائي. تتضمن مجموعة البيانات الناتجة كل من الهياكل المحسنة بواسطة PBE والهياكل المكررة بواسطة HSE06، مما يلتقط جزءًا كبيرًا من التنوع الهيكلي والكيميائي اللازم لنمذجة العيوب بدقة.
كما يوضح المؤلفون تطوير نموذج مجال القوة المعتمد على التعلم الآلي (MLFF)، DeFecT-FF، الذي تم تدريبه على التكوينات والطاقة المستمدة من DFT. يتناول هذا النموذج قيود الأطر الحالية من خلال دمج نماذج محددة لحالة الشحن وخط أنابيب تعلم نشط متعدد الدقة. يتم التحقق من أداء MLFF مقابل نتائج DFT، مما يظهر أخطاء جذر متوسط مربع منخفضة (RMSE) في توقعات طاقة تشكيل العيوب عبر حالات الشحن المختلفة. يتم التأكيد على الكفاءة الحاسوبية لـ MLFF، حيث يقلل بشكل كبير من الوقت المطلوب لتحسين العيوب مقارنة بأساليب DFT التقليدية. تختتم القسم بدراسات حالة توضح تطبيق إطار DeFecT-FF للتنبؤ بخصائص العيوب في تركيبات CdSeTe، مما يبرز إمكاناته في تحليل الديناميكا الحرارية للعيوب بسرعة ودقة.
DOI: https://doi.org/10.1039/d6cp00170j
PMID: https://pubmed.ncbi.nlm.nih.gov/41989819
Publication Date: 2026-01-01
Author(s): Md. Habibur Rahman et al.
Primary Topic: Machine Learning in Materials Science
Overview
The research introduces the DeFecT-FF framework, designed to predict the energies and ground state configurations of point defects, extrinsic dopants, and defect complexes in zincblende-phase Cd/Zn-Te/Se/S compounds, which are critical for enhancing the performance of CdTe-based solar cells. Utilizing high-throughput density functional theory (DFT) computations alongside crystal graph-based machine learning force field (MLFF) models, the framework addresses the complexity of defect configurations and their interactions, which are pivotal for optimizing the electronic properties of the CdTe absorber layer. The dataset includes structures and energies derived from HSE06 geometry optimization, and through active learning, the model has been trained to accurately predict energies and atomic forces across various charge states.
The DeFecT-FF framework significantly reduces the computational time for defect optimization from approximately 8-9 hours using HSE06 to just 1-2 minutes, while maintaining near-DFT accuracy with root mean square error (RMSE) values of 5-10 meV/atom for crystal formation energy and less than 0.20 eV for defect formation energy. This advancement enables comprehensive defect surveys to become routine rather than intractable, facilitating the identification of low-energy defect configurations and their energetics. The framework is publicly available on the nanoHUB platform, allowing users to generate defects and compute their formation energies efficiently, thus accelerating the optimization of dopants and processes in CdSeTe solar cell technologies.
Discussion
The discussion section of the research paper outlines the extensive defect chemical space associated with Cd/Zn-Te/Se materials, emphasizing the complexity arising from various defect types and configurations. The authors highlight that generating a comprehensive dataset through Density Functional Theory (DFT) calculations would require nearly 0.9 million calculations, but they have curated a meaningful subset of structures from existing literature. This subset serves as a foundation for training Graph Neural Network (GNN) models, which are further refined through an active-learning approach to target areas of high uncertainty in the chemical space. The resulting dataset includes both PBE-optimized and HSE06-refined structures, capturing a significant portion of the structural and chemical diversity necessary for accurate defect modeling.
The authors also detail the development of a machine-learned force field (MLFF) model, DeFecT-FF, which is trained on DFT-derived configurations and energies. This model addresses the limitations of existing frameworks by incorporating charge-state-resolved models and a multi-fidelity active learning pipeline. The performance of the MLFF is validated against DFT results, demonstrating low root mean square errors (RMSE) in defect formation energy predictions across various charge states. The computational efficiency of the MLFF is underscored, as it significantly reduces the time required for defect optimization compared to traditional DFT methods. The section concludes with case studies that illustrate the application of the DeFecT-FF framework to predict defect properties in CdSeTe compositions, showcasing its potential for rapid and accurate defect thermodynamics analysis.