Forscher entwickeln Rahmenwerk für Datenbank mit Eigenschaften von Kristalldefekten

Punktdefekte (z. B. fehlende, zusätzliche oder ausgetauschte Atome) in kristallinen Materialien bestimmen häufig die tatsächliche elektronische und optische Reaktion eines bestimmten Materials. Beispielsweise bilden kontrollierte Substitutionen in Halbleitern wie Silizium das Rückgrat moderner Technologie. Trotz ihrer Bedeutung sind Punktdefekte bekanntermaßen schwierig zu simulieren und zu charakterisieren, insbesondere in großen Bereichen des Periodensystems.

Forscher des Lawrence Livermore National Laboratory (LLNL) haben nun im Rahmen seiner Open-Source-Softwareverteilung eine Software entwickelt, die diese Art von Berechnungen effektiv und effizient automatisieren und analysieren kann.

Die Autoren demonstrierten den vollautomatischen Ansatz an mehreren technologisch wichtigen Materialien. Dazu gehören Galliumnitrid (die Grundlage aller modernen Festkörperbeleuchtungen), Galliumoxid (ein aufstrebender Ultrabreitband-Halbleiter) und Strontiumtitanat (ein vielfach untersuchtes häufig vorkommendes Mineral). Die Arbeiten wurden kürzlich im veröffentlicht Zeitschrift für Angewandte Physik und als Editor’s Choice in einer Sonderausgabe zum Thema „Halbleiterdefekte“ ausgewählt.

„Diese Arbeit ermöglichte es uns, verschiedene Arten von Defekten in Materialien, die das gesuchte Verhalten zeigen, systematischer zu untersuchen“, sagte Lars Voss, Mitautor der Arbeit.

„Wir führen diese Art von Berechnungen seit Jahren von Hand durch, aber moderne Fortschritte in der Hochdurchsatzberechnung und Datenbanksoftware haben es zu einem praktischeren und flexibleren Ansatz gemacht“, sagte Joel Varley, Wissenschaftler am LLNL und auch Autor des Buches Artikel.

Die Studie und die im Rahmen des Projekts entwickelte Open-Source-Software hätten das Interesse zahlreicher internationaler Forschungsteams und der Industrie geweckt, sagten die Forscher.

„Da wir nun ein Framework entwickelt haben, um diesen Ansatz mit modernen Datenbankpraktiken zu optimieren, eröffnet dies einen einfachen Weg zur Kuratierung von Daten für Ansätze des maschinellen Lernens, die von der Community systematisch auf Punktdefekteigenschaften angewendet werden“, sagte Jimmy Shen, Hauptautor von das Papier.