.png){kind=icon}
返回
Accelerating point-defect simulations using data-driven and machine learning approaches
.png){kind=icon}
OA
AI
DOI：10.1557/s43577-026-01103-0.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
固态材料中的点缺陷现在通常使用大型超胞结构进行模拟，需要高效的量子力学求解。基于计算数据训练的数据驱动和机器学习（ML）模型能够实现缺陷性质的快速预测和高通量筛选。本文概述了使用这些方法加速缺陷模拟的主要进展。我们首先讨论数据驱动技术在缺陷建模中的动机，并描述过去十年中使用描述符基模型进行缺陷性质快速筛选的努力——尤其是在氧化物中最为显著。特别地，我们讨论了案例研究，其中代理模型和原子间势能通过训练密度泛函理论（DFT）数据，以极小的成本实现了具有量子力学精度的预测。除了几何弛豫和形成能预测外，这些原子间势能还能预测声子模式和振动自由能，从而在有限温度下获得缺陷的热力学性质——这代表了计算缺陷研究的关键前沿。最后，我们讨论了如何将这些方法及其输出与实验数据相结合，并对这一新兴子领域进行展望。
Keyword:
Defects
Defect energetics
Machine learning
Interatomic potentials
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.9
论文数:
5.3K
被引数:
1.0W
机构
引用论文
citation_journal_title=Phys. Rev. B; citation_author=J Zhou, X Li, M Huang, S Chen; citation_volume=112; citation_publication_date=2025; citation_doi=10.1103/kr3z-4nzv; citation_id=CR30周等人在《物理评论B》发表的论文，卷号112，2025年出版，DOI: 10.1103/kr3z-4nzv。.png)
IF0
PREAI
分享收藏citation_journal_title=Phys. Rev. Mater.; citation_author=X Li, X Guo, M Huang, X-G Gong, S Chen; citation_volume=10; citation_publication_date=2026; citation_doi=10.1103/597x-tzfd; citation_id=CR101无法识别的输入格式，请提供需要翻译的标题或摘要。
IF0
PREAI
分享收藏PyCDT: A Python toolkit for modeling point defects in semiconductors and insulatorsPyCDT: 用于对半导体和绝缘体中的点缺陷进行建模的Python工具包OAAI
OAAI分享收藏Crystal Graph Convolutional Neural Networks for an Accurate and Interpretable Prediction of Material Properties晶体图卷积神经网络用于准确和可解释的材料特性预测OAAI
OAAI分享收藏Understanding Defect-Mediated Ion Migration in Semiconductors using Atomistic Simulations and Machine Learningacs nanoscience auOAAI
acs nanoscience auIF6.5
OAAI分享收藏An automated framework for exploring and learning potential-energy surfaces用于探索和学习势能面的自动化框架Nature Communications
OAAI
Nature CommunicationsIF15.7
OAAI分享收藏
查看更多内容