Generalized deformation potential and machine-learning approaches for electron-phonon coupling and thermoelectric transport in semiconductors

技術要約：半導体における電子－フォノン結合および熱電輸送のための一般化変形ポテンシャルと機械学習アプローチ

問題提起
結晶材料、特に半導体における電子輸送係数の予測計算は、密度汎関数摂動理論（DFPT）および補間技術（Wannier補間やフーリエ補間など）を用いて、第一原理から電子－フォノン（el-ph）結合を計算することに依存している。これらの手法は正確ではあるが、フェルミ準位付近のキャリアを解像するために高密度の逆格子空間グリッドが必要となるため、計算コストが非常に高い。このコストが、望ましい輸送特性を持つ材料のハイスループット・スクリーニングや、ヘテロ構造のような複雑な系の特性予測を阻害している。既存の簡略化されたモデル（音響変形ポテンシャル（DP）モデルなど）は、単一のパラメータを用いることで物理を過度に単純化しており、結晶対称性の全容やバンド極値の位置による複雑さを考慮できていない。一方で、機械学習（ML）は輸送性能指数の予測に適用されてきたが、小さな訓練セットから高密度の格子上のel-ph行列要素を直接予測するために広く用いられてきたわけではない。

手法
著者らは、単層MoS$_2$に対して、少数の第一原理計算によるel-ph行列要素（電子バンドおよびフォノンモードあたり約10〜100個）を適用することで、熱電輸送特性を得るための、計算負荷の低い2つの手法を提案している。

1. 一般化モデルアプローチ:

   • 音響変形ポテンシャル: 著者らは、HerringおよびVogtのアプローチを一般化し、任意の結晶対称性とバンド極値の位置に対応する音響変形ポテンシャルモデルを定式化した。$\Gamma$-K線に沿ったバンド極値を持つ六方晶対称性に対して、変形ポテンシャル（DP）テンソルの成分（$\Xi_d, \Xi_u, \Xi_p$）の明示的な公式を導出した。
   • 散乱機構: 本モデルは以下の要素を組み合わせている：
     • 一般化されたDPテンソルを用いた、バレー内音響散乱（LAおよびTAモード）。
     • 標準的な変形ポテンシャル近似を用いた、バレー内非極性光学散乱（TO$_2$）およびバレー間散乱（KからK'）。
     • 長距離寄与を考慮するためにDPのテイラー展開を用いた、バレー内ホモポーラ光学散乱（ZO$_1$）。
     • 2次元結晶における長距離双極子－双極子相互作用を記述するための、Fröhlich型モデルを用いたバレー内極性光学散乱（LO$_2$）。
   • パラメータ: モデルの全パラメータは、約10個のDFPT行列要素から導出されている。

2. 機械学習（ML）アプローチ:

   • 回帰戦略: この手法は、輸送に関連する高密度の逆格子空間グリッド上に、約100個の第一原理el-ph行列要素を補間するために回帰アルゴリズムを使用する。
   • アルゴリズム:
     • 多項式特徴量（PFR）: フォノン波数への依存性が多項式的（線形的）である音響モード（LA, TA）に使用。
     • ガウス過程回帰（GPR）: 波数の依存性がより複雑な極性（LO$_2$）およびホモポーラ（ZO$_1$）光学モードに使用。
   • 訓練データ: 訓練セットは、K点における初期電子状態およびブリルアンゾーン中心付近の小さな領域内（$\Gamma$-K距離の最大35%まで）に一様またはランダムに分布したフォノン波数に対して、DFPT+Wannier補間（EPWコード）により計算されたel-ph行列要素で構成される。

主な結果
これらの手法は、KおよびK'点に直接バンドギャップを持つ材料である単層MoS$_2$に適用された。

• 行列要素の精度: 一般化モデルとMLアプローチの両方が、最先端のDFPT+Wannier（EPWコード）によるel-ph行列要素を高い忠実度で再現している。MLアプローチは、TAモードのアニソトロピー（異方性）や、極性およびホモポーラモードの特定の波数依存性（ZO$_1$のカスプや$\Gamma$付近でのLO$_2$の急激な上昇を含む）を捉えている。
• 散乱率と移動度:
  • MLアプローチは、厳密なDFPT+Wannierの結果とほぼ同一の電子ドリフト移動度を与える。
  • モデルアプローチは、圧電性の長距離相互作用を無視しているため、横波音響（TA）モードにおいてわずかに精度が劣るが、概ね一致している。
  • 室温において、ML法を用いた計算による移動度は159 cm$^2$/(Vs)であり、EPWの結果（156 cm$^2$/(Vs)）および実験値の上限値（148 cm$^2$/(Vs)）によく一致している。
• 熱電輸送:
  • 計算された化学ポテンシャル、電気伝導度、およびゼーベック係数は、実験データと優れた一致を示している。
  • 伝導度の値は高品質な試料については実験と一致するが、低品質な実験データとの乖離は、外因的な無秩序（荷電不純物、基板散乱）に起因するものである。

意義と主張
本論文は、提案された両手法が、予測精度を維持しながら、フル機能のDFPT+Wannierワークフローと比較して計算コストを大幅に削減できると主張している。

• モデルアプローチ: コンパクトなパラメータセットを持ち、再利用可能な、物理的に透明なフレームワークを提供する。これは、フルな第一原理計算を繰り返すことなくデバイスモデリングに利用できる。また、音響変形ポテンシャル理論を任意の対称性に成功裏に一般化した。
• 機械学習アプローチ: 著者らは、この手法がモデルアプローチと比較してより正確で実装が容易であると指摘している。これは、複雑な解析的定式化やパラメータ導出を必要とせず、小さな訓練セットからの回帰に基づいている。
• 一般的な適用性: MLの定式化は非常に汎用的であり、あらゆる対称性を持つ材料に適用可能であると説明されている。

本研究は、最小限の第一原理計算を用いて正確な熱電輸送特性を予測できることを実証しており、これにより半導体材料の効率的なスクリーニングが可能になることを示している。