Accelerating discovery of infrared nonlinear optical materials with large shift current via high-throughput screening

Resumen Técnico: Aceleración del Descubrimiento de Materiales Ópticos No Lineales de Infrarrojo con Gran Corriente de Desplazamiento mediante Cribado de Alto Rendimiento

Planteamiento del Problema
El descubrimiento de materiales ópticos no lineales (NLO) capaces de generar respuestas de corriente de desplazamiento intensas, particularmente en el régimen de infrarrojo (IR), sigue siendo un desafío significativo para la próxima generación de optoelectrónica. Si bien el efecto fotovoltaico de volumen (BPVE) ofrece un mecanismo libre de interfaces para generar corrientes fotogeneradas de corriente continua constantes y voltajes por encima de la banda prohibida, las aplicaciones prácticas están actualmente limitadas por corrientes fotogeneradas bajas y una eficiencia de conversión de energía deficiente. Los esfuerzos de alto rendimiento existentes se han visto limitados a familias estructurales específicas o bases de datos pequeñas, dejando gran parte del espacio químico y estructural de la base de datos Materials Project (MP) sin explorar para materiales de corriente de desplazamiento de alto rendimiento en el IR. Además, la falta de conjuntos de datos de alta calidad y gran escala para las respuestas de corriente de desplazamiento crea un cuello de botella para el desarrollo de modelos predictivos y generativos impulsados por IA.

Metodología
Los autores emplearon un flujo de trabajo de cribado de alto rendimiento, no sesgado, aplicado a la base de datos MP, que inicialmente contenía más de 154,000 materiales inorgánicos. El proceso de cribado consistió en los siguientes pasos:

1. Filtrado: Se aplicó una serie de criterios para identificar candidatos no centrosimétricos, termodinámicamente razonables y computacionalmente tratables. Los filtros incluyeron simetría (no centrosimétrica), estructura electrónica (bandgap PBE $E_g > 0.1$ eV, no magnético), estabilidad termodinámica (energía sobre el casco convexo $E_{hull} \le 50$ meV/átomo), composición elemental (exclusión de capas 3d parcialmente llenas y elementos lantánidos/actínidos) y tamaño de la celda unidad (menos de 20 átomos). Esto redujo el grupo a 2,519 candidatos.
2. Cálculos de Primeros Principios (Nivel PBE): Las estructuras electrónicas y las respuestas ópticas para todos los 2,519 candidatos se computaron utilizando el funcional de intercambio-correlación Perdew-Burke-Ernzerhof (PBE) dentro del paquete ABACUS. El tensor de conductividad de la corriente de desplazamiento $\sigma_{abc}$ se calculó utilizando el paquete PYATB basado en el Hamiltoniano DFT.
3. Cálculos Refinados (Nivel HSE): Los 32 mejores candidatos, definidos por una respuesta de corriente de desplazamiento PBE $|\sigma_{abc}|_{max} > 100$ µA/V$^2$, fueron sometidos a una evaluación adicional utilizando el funcional híbrido Heyd-Scuseria-Ernzerhof (HSE) para obtener brechas de banda y respuestas NLO más precisas.
4. Validación mediante Aprendizaje Automático: Para demostrar la utilidad del conjunto de datos generado para el descubrimiento impulsado por IA, se desarrolló un modelo prototipo de aprendizaje automático, DPA3-$\sigma$. Este modelo utilizó el aprendizaje por transferencia de la red neuronal de grafos preentrenada DPA3 (originalmente diseñada para potenciales interatómicos) para predecir la respuesta máxima de la corriente de desplazamiento a partir de incrustaciones estructurales.

Contribuciones Clave

• Conjunto de Datos Exhaustivo: El estudio establece uno de los conjuntos de datos de primeros principios más completos hasta la fecha para la respuesta de corriente de desplazamiento, cubriendo 2,519 materiales no centrosimétricos con cálculos detallados a nivel PBE y HSE.
• Principios de Diseño: El trabajo identifica principios de diseño estructurales y químicos específicos para mejorar la corriente de desplazamiento: los materiales con simetría $C_{3v}$ (específicamente el grupo espacial trigonal $R3m$) que contienen elementos pesados del bloque p (notablemente Te, Sb, Ge y Se) exhiben un rendimiento superior.
• Demostración del Flujo de Trabajo de IA: El artículo valida una estrategia de aprendizaje por transferencia (DPA3-$\sigma$) para el cribado de bases de datos a gran escala, demostrando la capacidad del modelo para generalizar desde conjuntos de entrenamiento pequeños hacia sistemas fuera del dominio (20–60 átomos) con alta recuperación y precisión.

Resultados

• Identificación de Candidatos: De los 2,519 materiales cribados, se identificaron 32 candidatos con fuertes respuestas de corriente de desplazamiento ($|\sigma_{abc}|_{max} > 100$ µA/V$^2$) en el nivel PBE.
• Descubrimiento en la Región IR: Tras el refinamiento HSE, 9 materiales confirmaron exhibir picos pronunciados de corriente de desplazamiento dentro de la región IR. El candidato más fuerte, Sn$_5$Ge$_2$(SbTe$_5$)$_2$ (mp-1219067), muestra un pico de corriente de desplazamiento de 616 µA/V$^2$ a 0.08 eV (nivel HSE), el cual es aproximadamente cuatro veces mayor que el semimetal topológico TaAs reportado previamente.
• Propiedades de los Materiales: Los candidatos identificados incluyen compuestos tanto termodinámicamente estables como metaestables. La mayoría cristaliza en estructuras trigonales de capas con simetría de inversión rota. La respuesta de la corriente de desplazamiento está dominada por componentes tensoriales en el plano (por ejemplo, $xxy$, $yxx$, $-yyy$) para materiales $C_{3v}$.
• Distribución Espectral: Entre los 32 mejores candidatos, 9 exhiben respuesta IR, 18 muestran respuesta en el visible (VIS) y 5 muestran respuesta en el ultravioleta (UV). La corrección HSE generalmente redujo la magnitud de los picos de corriente de desplazamiento y desplazó las energías de resonancia hacia el azul en comparación con los resultados PBE.
• Desempeño del Aprendizaje Automático: El modelo DPA3-$\sigma$ logró una recuperación del 80.0% y una precisión del 80.0% al cribar candidatos con $\sigma > 100$ µA/V$^2$. Al aplicarse a un subconjunto de la base de datos MP que contiene sistemas complejos (>30 átomos), el modelo identificó con éxito dos nuevos candidatos de alta respuesta, Cs(Bi$_2$Te$_3$)$_2$ y Sn(BiTe$_2$)$_2$.

Significancia
El artículo afirma que este trabajo expande significamente el panorama de materiales para efectos fotovoltaicos de volumen desde el espectro visible/ultravioleta hacia la región del infrarrojo. Al identificar materiales con fuertes respuestas de corriente de desplazamiento IR, el estudio proporciona plataformas prometedoras para aplicaciones tales como detección de infrarrojos, sensores autoalimentados y recolección de energía sin sesgo externo. Además, el establecimiento de un conjunto de datos de alta calidad y gran escala de primeros principios aborda una brecha crítica en la investigación de NLO, sirviendo como un recurso fundamental para el futuro descubrimiento impulsado por datos y el desarrollo de modelos de aprendizaje automático predictivos. La demostración exitosa del flujo de trabajo DPA3-$\sigma$ ilustra la viabilidad de utilizar el aprendizaje por transferencia para acelerar el cribado de materiales complejos de celda unidad grande que son computacionalmente costosos de evaluar con métodos DFT estándar. Los autores enfatizan que, aunque el acoplamiento espín-órbita (SOC) no se incluyó en el cribado actual, los principios de diseño identificados (simetría polar $C_{3v}$ y química de bloques p pesados) ofrecen una razón microscópica clara para futuras investigaciones más detalladas y validación experimental.