九游官方网站 基于2千种半导体材料的模拟光谱数据, 可融会6种共存的取代型弱势
在生物学中，弱势频繁是无益的。但在材料科学中，弱势不错被有意地调控，从而赋予材料有效的新特点。如今，在钢铁、半导体和太阳能电板等居品的制造过程中，东说念主们会全心引入原子级弱势，以提高强度、限度导电性、优化性能等等。举例，通过在硅中进行可控掺杂，不错调治载流子浓度；相似，在超宽禁带半导体中进行弱势工程，不错进步其鄙人一代功率电子器件中的应用后劲。
尽管弱势分析已成为一种渊博的器具，但准确测量制品中不同类型弱势荒谬浓度仍然极具挑战性，尤其是在不切割或损坏最终材料的情况下。要是工程师不了解材料中存在的弱势，就可能制造出性能低下或具有非预期特点的居品。尽管现存弱势表征技巧种类闹热，但在奢睿度、礼聘性、可定量性以及是否具有松弛性等方面仍存在显耀局限。
在此布景下，来自麻省理工学院（MIT）的盘问团队建议了一种基础型机器学习模子 DefectNet，粗略径直从测量声子态密度（PDoS）的振动光谱中预测取代型点弱势的化学种类荒谬浓度，即使在多元素共存的情况下亦可终端。该模子基于来自 2，000 种半导体材料、超越 16，000 条模拟光谱数据进行西宾，给与定制化防护力机制，可识别最多 6 种不同弱势元素，其浓度鸿沟覆盖 0.2% 至 25%。模子在包含 56 种元素的未见晶体中展现出精良的泛化智商，并可通过履行数据进行微调。通过对 SiGe 合金与 MgB₂ 超导体的非弹性散射履行数据进行考据，诠释了模子的准确性与可搬动性。
连络盘问完毕以「A foundation model for non-destructive defect identification from vibrational spectra」为题，已发表预印本于 arXiv。
盘问亮点：
* 将测量声子态密度（PDoS）的振动光谱与机器学习相皆集，为终端体材料中点弱势的无损表征与定量提供了一条极具后劲的旅途
* 引入光谱防护力机制，治理低浓度情况下含弱势与无缺晶体的声子光谱可能险些无远离的问题
* 引入机器学习原子间势（MLIPs），治理基于密度泛函表面（DFT）的声子模拟规画资本不菲的挑战
论文地址：
https://arxiv.org/abs/2506.00725
https://hyper.ai/cn/papers
数据集：基于 2 千种无缺晶体材料构建数据集
盘问构建了一个包含 16，000 条掺杂超等细胞（supercells）的数据集，起头于 2，000 种无缺晶体材料，涵盖二元、三元、四元及五元半导体，如下图所示：
母体化合物组身分类，从二元到五元系统不等，其中三元化合物最为常见
掺代型弱势选自周期表前 56 种元素（不包括荒芜气体图），如下图，可单独或组合引入，以模拟真确共掺杂场景，并为改日高维联想空间中的弱势工程提供参考。
系数生成的掺杂超等细胞中掺杂元素的直方图，展示了化学各类性
盘问东说念主员给与机器学习推选器率领掺代元素的礼聘——每个结构通过掺杂剂推选器筛选 n 型和 p 型掺杂候选。随后，将母体晶体扩张为包含 433–500 个原子的超晶胞，尺寸自符合调治以保证稀掺杂浓度下限约为 0.2%。掺杂剂被替换进母体晶格，每个掺杂结构经结构弛豫，直到系数原子力治理到 0.01 eV/Å 以下。结构弛豫后，欺骗有限位移法规画 PDoS 以评估振动性质，变成 DefectNet 的谱输入。
* 结构弛豫指玻璃态物资里面原子罗列随时候或在退火过程中稳重回荡为更相识结构的过程
DefectNet：从 PDoS 中无损地径直识别点弱势的化学种类及浓度
DefectNet 用于从声子光谱预测弱势化学元素及浓度，其全体架构不错拆解为 4 个模块，责任进程如下图所示，模子的主见是从 PDoS 中无损地径直识别点弱势的化学种类及浓度。
DefectNet 责任进程
数据生成（Data Generation）
盘问东说念主员构建数据集后，使用 MACE-MP-0 基础型 MLIP 在冻结声子模式下，对无缺晶体及掺杂超等细胞进行高通量结构弛豫与声子规画。为模拟履行分辨率，还对规画得回的 PDoS 弧线进行了高斯平滑处理。
DefectNet 输入（Input for DefectNet）
模子接纳四类输入：母体无缺晶体构成、无缺晶体的 PDoS 、掺杂体系的 PDoS 、可能弱势化学种类的运行揣度。运行揣度不错由东说念主工直观或已有学问提供，也不错通过基于机器学习的弱势推选器自动生成，该推选器是一个概率模子，用于预测最可能的掺代元素。尽管西宾数据为模拟数据，该框架联想可通过微调，适用于履行光谱数据（如非弹性中子散射 INS 数据）。
模子架构（Model architecture）
DefectNet 模子基于 PyTorch 终端，给与模块化架构，由四个主要部分构成：
* 基于一维卷积的谱编码器（spectral encoder based on 1D convolutions）：输入包括三条长度为 100 的一维信号，未掺杂材料的 PDoS 、掺杂后的 PDoS 、宿主晶体构成向量 ，这些信息被拼接为三通说念输入，通过一维卷积收罗索求特征，最终变成 100 个「谱 token」 ，每个 token 为 128 维向量 。
* 掺杂原子镶嵌模块（dopant embedding module）：掺杂候选的运行揣度以 56 维二进制向量提供，指引给定样本酌量的掺杂元素；该二进制向量通过全链接层投影到相通的 128 维潜在空间，得回单一的掺杂镶嵌向量。该镶嵌向量算作防护力机制的全局查询，使模子粗略说明特定的掺杂高下文调治其谱特征的解释。
* 多头防护力机制（multi-head attention mechanism）：为建模掺杂候选与振动特征之间的交互，DefectNet 使用多头自防护力机制，掺杂镶嵌算作查询 Q，九游娱乐而谱特征 V 算作键和值矩阵，防护力机制投降模范的缩放点积公式。
* 掺杂屏蔽模块（dopant-masked module）：模子输出为 56 个掺杂元素的浓度预测，但通过「硬掩码」机制，即只须候选元素允许非零输出 ，圆寂函数也仅在这些元素上规画 。这带来三重公正，一是进步西宾相识性，二是幸免无关类别扰乱 ，三是与物理先验保握一致 。
输出（Output）
最终输出特征说明运行弱势揣度进行硬掩码处理，剔除不在揣度围聚中的掺杂元素浓度。这一机制确保 DefectNet 的预测弱势浓度被治理在运行假设的弱势围聚内，因此，若运行揣度遗漏或不完整，模子可能无法复原某些掺杂元素。
DefectNet 可融会 6 种共存的取代型弱势
为了评估 DefectNet 的智商，盘问东说念主员联想了系列磨砺，完毕显现：DefectNet 可融会多达 6 种共存的取代型弱势，浓度低至 0.2%，且无需详备原子结构信息即可处理 PDoS 数据。
DefectNet 在弱势种类与浓度预测中的应用
盘问东说念主员领先在模拟 PDoS 上测试了典型二元（SiC、AlAs）和三元（AgGaS₂、InCuSe₂）半导体。
SiC 与 AlAs 分歧因大带隙而在高功率电子器件与异质结构联想中备受爱好，下图展示了无缺与掺杂晶体的 PDoS 及预测与真确掺杂浓度。即使掺杂水平较低（约 1%），DefectNet 仍能捕捉到眇小的振动变化，并可靠地复原正确的掺杂浓度。
DefectNet 在典型半导体上的代表性预测（二元半导体 SiC 和 AlAs 的完毕）
接着，盘问东说念主员又将 DefectNet 应用于化学更复杂的三元半导体 AgGaS₂ 和 InCuSe₂，完毕如下图。AgGaS₂ 用于红外非线性光学，而 InCuSe₂ 是薄膜光伏的潜在材料。这些材料含有多个不等价原子位点及各类振动模式，但 DefectNet 仍能追踪 PDoS 的变化并推断掺杂浓度，显现出其在复杂结构和化学体系中的庄重性。
DefectNet 在典型半导体上的代表性预测（三元半导体 AgGaS₂ 和 InCuSe₂ 的完毕）
为进一步评估泛化智商，盘问东说念主员在包含多种共存掺杂的完整弱势数据集上测试 DefectNet，包括输入中存在但本体不存在的「扰乱」弱势。下图通过比拟预测弱势浓度（彩色点）与真确值（斑点），按预测均方罪恶（MSE）四分位分组，展示了完毕：
DefectNet 在各类材料与弱势建树上的预测评估
散播内情况（In-distribution，上图 a）：母体晶体在西宾数据中出现过，但其弱势信息未知；DefectNet 在庸俗弱势类型与浓度下均发达高保真，即使输入包含扰乱弱势，模子仍能识别真确掺杂并剔除扰乱。
散播外情况（Out-of-distribution，上图 b）：母体晶体在西宾中未出现，预测准确度略有着落，但 DefectNet 仍能捕捉主要掺杂特征，并为大巨额扰乱弱势分拨近零浓度，体现出精良的泛化智商。
在履行数据上微调 DefectNet
为了考据 DefectNet 的本体应用价值，盘问东说念主员在履行数据上进行了微结伙测试。以热电 SiGe 合金为例，盘问东说念主员构建了由 100 个非晶 Si 超胞构成的西宾数据集，这些超胞通过 Si-GAP-18 数据库的淬火模拟采样，涵盖从粗劣接近晶态到高度无序的各类结构景况，具体完毕如下图所示：
DefectNet 在 SiGe 合金履行考据上的微调
跟着无序度加多，PDoS 弧线展宽，60 meV 的光学声子特征峰被扼制（上图 a），为模子微调提供了母体材料。随后，盘问东说念主员通过在非晶 Si 超胞中随即替代 Ge 来模拟 SiGe 合金，涵盖从 0% 到 25% 的各类掺杂水平及不同无序度。
微调后，DefectNet 在测试集上达到均方根罪恶（RMSE）0.019，显现出渊博的预测性能（上图 b）。进一步将微调后的模子应用于 Si₁₋ₓGeₓ 合金履行 GPDoS 数据（x = 5%、10%、20%，上图 c），DefectNet 分歧预测 Ge 浓度为 7%、13% 和 22%，与履行趋势高度一致（上图 d）。
酌量到在非晶材料中精准量化弱势的固有难度，这一完毕标明 DefectNet 对履行数据具有很强的预测智商。关于 Al 掺杂多能带超导体 MgB₂，微调后的 DefectNet 可重现掺杂浓度高达 25% 的履行趋势。
结语：远景盛大，但挑战重重
尽管该模子远景盛大，但其应用仍存在几许挑战。举例：在极低弱势浓度下，振动特征隐微且易被噪声遮掩，模子敏锐性着落；刻下版块仅限于取代型掺杂，若扩张至多种点弱势类型（如谬误、空位、Frenkel 对或弱势簇）将显耀扩大应用鸿沟； 尽管模拟数据泛化性强，但履行数据上的微调仍弗成或缺，终端无需再西宾即可径直应用于原始履行光谱的模子已经远景主见。
瞻望改日，DefectNet 代表了弱势科学中朝向销毁、数据驱动范式的迫切一步九游官方网站，其架构自然兼容多模态光谱输入，并为具有特定弱势特征的材料逆向联想翻开了可能。通过皆集物理驱动暗示、高通量模拟、可扩张学习和履行微调，DefectNet 为全复杂度真确材料中的自动化、可解释及非松弛性弱势工程提供了发展旅途。
可提现游戏平台
备案号: