利用数据驱动和机器学习方法加速点缺陷模拟

固态材料中的点缺陷现在通过使用大型超胞结构进行常规模拟，这需要高效的量子力学解决方案。基于计算数据训练的数据驱动和机器学习（ML）模型可以实现快速的缺陷属性预测和高通量筛选。本文提供了使用这些方法加速缺陷模拟的突出努力的概述。我们首先讨论了数据驱动技术在缺陷建模中的动机，并描述了过去十年利用基于描述符的模型进行缺陷属性的快速筛选的努力，特别是在氧化物方面。我们讨论了在密度泛函理论（DFT）数据上训练的替代模型和原子间势的案例研究，从而以成本的一小部分获得量子力学精度的预测。除了几何放松和形成能预测，这些原子间势还能够预测声子模式和振动自由能，以在有限温度下给出缺陷能量特性——这是计算缺陷研究的一个关键前沿。最后，我们讨论了如何将这些方法及其输出与实验数据连接，并对这个新兴子领域进行了展望。