龚新高
材料是能源和信息等诸多应用的载体，现代科学与技术的发展往往伴随着新材料的发现和物性的探究与优化。随着信息化和计算机技术的发展，材料研究的方法逐渐从低效、长周期投入的实验试错法向高效、短周期投入的计算模拟仿真方法过渡。特别的，以第一性原理计算方法为代表的模拟方法在过去的几十年间对新材料的发现和物性研究起到了巨大的推动作用。然而，随着研究体系越来越复杂，研究精度要求越来越高，第一性原理方法在材料发现和物性研究方面的代价也越来越昂贵，无论在空间尺度还是在时间尺度上已经遇到了难以克服的瓶颈。如何解决这些瓶颈问题，是目前计算物质科学面临的最严重挑战。为克服这些挑战，我们将人工智能算法与传统计算物质科学研究方法相结合，探索计算物质科学研究新方法。本课题的主要研究方向和成果有：
（1）基于机器学习的计算物质科学程序和软件开发：开发了基于神经网络的势函数开发软件和程序LASP(Large-scale atomic simulation with neural network potential)，共已拟合 132 个包含单元素、合金及氧化物固体材料在内的神经网络势函数；在自主研发的IM2ODE软件中，引入了利用神经网络势函数进行结构优化和能量计算的模块，实现了对复杂、几百原子体系的结构预测；在自主研发的PASP（Property analysis and simulation package for materials）软件包中，我们引入了机器学习相关功能，开发了基于神经网络的自旋哈密顿量拟合方法，并首次构造了自旋描述符与对应自旋势函数，设计了基于原子位移与自旋的图神经网络方法，用于研究多铁材料的性质，为下一步复杂体系模拟打下了坚实的基础；发展了缺陷体系的机器学习模型，自主开发了半导体缺陷和杂质性质第一性模拟模拟程序（Semiconductor Defect Ab-initio Simulation Code）。
（2）基于神经网络势函数的应用研究：开发了基于神经网络的用于描述CdTe和CdS异质结的势函数，研究了太阳能电池材料的界面结构，利用势函数对异质结体系约2000个原子进行了模拟褪火和结构搜索，确定了合理的CdTe/CdS异质结结构，并进一步研究了异质结的电子结构性质；训练了能够描述锂电池正极材料LiCoO2、LiMnO2、LiNiO2及其合金等体系结构的神经网络势函数，测试了势函数在描述晶格常数、键长等结构性质的准确性。在此基础上，研究了LiCoO2等体系从O3相到O1相的结构相变，确定了不同脱锂态下的相变势垒和相变过程，模拟的结果与实验结果非常吻合。进一步，研究了能够抑制此相变的可能手段，为改善锂电池性能提供了可能的途径。高通量计算了Mg、C、H和O掺杂的GaN半导体中各种缺陷簇构型的形成能，构建了描述缺陷簇构型的结构描述符，训练了缺陷簇能量、缺陷-缺陷相互作用能的机器学习模型，为缺陷簇形成与分裂的动力学蒙特卡洛模型提供了基本参数。研究了GaN基的高电子迁移率晶体管（HEMT）器件中缺陷簇长时间演化行为对HEMT器件可靠性的影响，分析了不同条件下制备的GaN材料在HEMT器件性能退化方面的差异。
