基于DFT与机器学习的GaN电子能带预测及其应变调控

摘要

由于氮化镓(GaN)出色的电学和力电耦合性质，其已成为备受关注的功率半导体材料。其中，电子能带特性和带隙大小是评价半导体材料的重要指标之一。尽管第一性原理计算方法在能带特性预测方面具有高精度的优势，但该方法需要大量计算资源。随着人工智能和数据技术的快速发展，机器学习在新材料的研发和研究中得到了广泛应用。通过基于第一性原理计算得到的不同应变状态下GaN晶体电子能带作为特征量的训练集，利用神经网络方法对整个弹性应变空间的能带进行预测。研究结果表明，GaN晶体在受到不同组合的拉伸、压缩和剪切应变作用下，可以由导体转变为带隙最大为6 eV的间隙半导体。通过验证发现，基于神经网络学习算法的预测误差最大为2%。结果表明，神经网络机器学习方法与第一性原理计算相结合，可显著提升半导体材料电子性质预测的效率和精度。

关键词

第一性原理计算 / 能带预测 / 应变调控 / 神经网络

基金资助

安徽省自然科学基金资助项目(No.2208085MA17); 合肥工业大学大学生创新创业资助项目(No.S202310359105)