DeFecT-FF: a machine learning force field framework for high throughput defect modeling in CdTe-based solar cells

저자들은 Cd/Zn-Te/Se/S 태양전지 재료의 결함 형성 에너지와 기저 상태 구성을 효율적으로 예측하기 위해 고처리량 DFT 데이터와 능동 학습을 활용하는 공개 기계 학습 힘장 프레임워크인 DeFecT-FF를 제시함으로써 전통적인 DFT 계산의 계산 비용을 우회합니다.

핵심

완벽한 태양전지, 즉 햇빛을 전기로 변환하는 장치를 만드는 상황을 상상해 보세요. 이러한 전지의 효율성을 높이는 비결은 결함으로 알려진 물질 내부의 작고 보이지 않는 '오작동'에 있습니다. 태양전지를 거대하고 완벽한 결정 도시로 생각해 보세요. 대부분의 경우, 원자들 (건물들) 은 완벽하게 정렬되어 있습니다. 하지만 때로는 건물이 비어있을 수 있습니다 (공공), 혹은 제자리에 없는 곳에 새로운 건물이 끼워지기도 합니다 (격자간 원자), 혹은 건물이 다른 유형으로 교체되기도 합니다 (치환).

이러한 오작동들은 도시의 구멍이나 교통 체증과 같습니다. 너무 많거나 잘못된 위치에 있으면 전기 (전자) 를 가두고 흐름을 막아 태양전지의 효율을 떨어뜨립니다.

수십 년 동안 과학자들은 이러한 결함을 수정하기 위해 물질 내에서 발생할 수 있는 모든 구멍과 교통 체증을 매핑해 왔습니다. 그들은 DFT(밀도 범함수 이론) 라는 초강력 컴퓨터 시뮬레이션 방법을 사용했습니다. DFT 는 모든 단일 원자의 움직임과 상호작용을 정확히 볼 수 있는 고해상도 슬로우 모션 카메라와 같습니다. 이는 놀라울 정도로 정확하지만, 동시에 놀라울 정도로 느리고 비쌉니다. 한 번의 시뮬레이션을 실행하는 것은 한 도시 블록의 날씨를 일년 내내 계산해 보려는 것과 같습니다. 슈퍼컴퓨터 시간을 며칠이나 소모해야 합니다.

이러한 원자적 오작동들이 배열될 수 있는 가능성이 수십억 가지나 되기 때문에, DFT 로 모든 것을 확인하려는 시도는 우주 크기의 도서관에 있는 모든 책을 읽으려는 것과 같습니다. 불가능한 일입니다.

해결책: DeFecT-FF (원자를 위한 '스마트 GPS')

이 논문의 저자들, 퍼듀 대학교 연구팀은 DeFecT-FF라는 새로운 도구를 개발했습니다. 이를 이러한 원자 도시를 위한 고속 GPS로 생각할 수 있습니다.

그들이 이를 구축한 방법은 다음과 같습니다:

1. 훈련 단계: 먼저, 그들은 느리고 비싼 DFT 카메라를 사용하여 수천 가지의 서로 다른 원자 결함의 사진을 찍었습니다. 그들은 한 장의 사진만 찍은 것이 아니라, 서로 다른 '기분' (양전하나 음전하와 같은 서로 다른 전하 상태) 에서의 결함 사진들을 찍었습니다.
2. 머신러닝: 그들은 이 모든 사진을 지능형 컴퓨터 프로그램 (머신러닝 힘장) 에 입력했습니다. 이 프로그램은 패턴을 학습했습니다. "아, 구리 원자가 빈 자리 옆에 있으면 도시는 이렇게 흔들리네"라거나 "염소 원자가 추가되면 건물들이 저렇게 재배열되네"라고 학습한 것입니다.
3. 결과: 이제 팀은 느린 DFT 카메라 대신 이 스마트 GPS 를 사용합니다. 이는 며칠이 걸리던 원자들의 배열을 예측하는 작업을 몇 분 안에 수행할 수 있으며, 거의 동일한 수준의 정확도를 제공합니다.

태양전지에 이것이 중요한 이유

연구자들은 태양전지에 사용되는 특정 물질 계열, 즉 **카드뮴 텔루라이드 **(CdTe)와 셀레늄 (Se) 및 아연 (Zn) 이 혼합된 그 친척 물질들에 집중했습니다. 이러한 물질들은 태양광 산업의 '일꾼'이지만, 이러한 원자적 결함으로 인해 전압 문제가 발생하여 잠재력을 충분히 발휘하지 못합니다.

팀은 새로운 GPS 도구를 사용하여 다음과 같은 작업을 수행했습니다:

• 영역 매핑: 그들은 단순한 물질뿐만 아니라 원자들이 서로 교체된 복잡한 혼합물 (합금) 을 포함한 거대한 화학 공간을 스캔했습니다.
• 최적 구성 찾기: 그들은 가장 안정적이고 (가장 '매끄러운 도로'인) 결함의 특정 배열과 가장 큰 문제를 일으키는 것들을 찾았습니다.
• 새로운 범인 식별: 그들은 구리나 염소와 같은 흔한 불순물이 결함과 결합하여 문제를 일으키는 새로운 방법과 비소와 같은 다른 원소들이 이를 어떻게 수정할 수 있는지를 발견했습니다.

도구의 '마법'

이 논문은 이 새로운 프레임워크의 몇 가지 주요 '초능력'을 강조합니다:

• 속도: 이전 방법보다 10,000 배 빠릅니다. 한 주가 걸리던 계산이 이제 몇 분 만에 끝납니다.
• 정확도: 단순히 추측하는 것이 아니라 고품질 데이터로 훈련되었습니다. 이 도구는 이러한 결함의 에너지를 예측할 때 오차 범위가 인간 머리카락의 너비를 자로 재어 1 밀리미터의 일부만 틀리는 정도로 매우 작습니다.
• 공개 접근성: 가장 좋은 점은 무엇일까요? 저자들은 이 도구를 비밀로 하지 않았습니다. 그들은 이를 공개 웹사이트 (nanoHUB) 에 올렸습니다. 이제 어떤 과학자든 결정의 청사진을 업로드하고 도구에게 "결함을 찾아줘"라고 말하면, 자체 슈퍼컴퓨터가 없어도 수정 방법을 보여주는 보고서를 받을 수 있습니다.

현실 세계의 비유

거대하고 복잡한 도시의 교통 체증을 해결하려는 도시 계획가의 상황을 상상해 보세요.

• **옛날 방식 **(DFT) 당신은 엔지니어 팀을 고용하여 모든 거리를 실제로 걸어 다니고, 모든 구멍을 측정하며, 모든 자동차의 움직임을 시뮬레이션하게 합니다. 이는 수년이 걸리고 천문학적인 비용이 듭니다.
• **새로운 방식 **(DeFecT-FF) 당신은 엔지니어 팀을 고용하여 몇 개의 주요 거리를 걷게 하고 사진을 찍게 합니다. 그런 다음, 그 사진들로 초지능 AI 를 훈련시킵니다. 이제 AI 는 도시 지도를 보고 99% 의 정확도로 교통 체증이 어디서 발생할지, 그리고 어떻게 해결할지 몇 초 만에 정확히 알려줄 수 있습니다.

이 논문은 이 'AI GPS'를 사용함으로써 과학자들이 현재 성능을 제한하고 있는 원자적 '교통 체증'을 이해하고 수정함으로써 더 나은 태양전지를 신속하게 설계할 수 있다고 결론지었습니다. 그들은 한때 불가능했던 작업 (수십억 가지 가능성 확인) 을 일상적인 업무로 바꾸었습니다.

기술 요약

기술 요약: CdTe 기반 태양전지의 결함 모델링을 위한 DeFecT-FF 프레임워크

문제 제기
현재 상당한 시장 점유율을 차지하고 있는 카드뮴 텔루라이드 (CdTe) 태양전지의 효율은 고유 점 결함, 불순물, 그리고 결함 복합체로 인한 비방사성 재결합 중심에 의해 제한됩니다. 결함 형성 에너지와 전하 전이 수준을 계산하는 표준 방법인 밀도 범함수 이론 (DFT) 은 심각한 계산 병목 현상에 직면해 있습니다. 다양한 전하 상태와 합금 조성 (Cd/Zn–Te/Se/S) 에 걸쳐 존재하는 빈자리, 격자 사이 원자, 반격자 원자, 그리고 복합체 등 가능한 결함 구성의 조합적 폭발은 포괄적인 DFT 스크리닝을 실행 불가능하게 만듭니다. 또한, 표준 준국소 범함수 (GGA-PBE) 는 종종 띠간격과 결함 수준을 정확하게 예측하지 못하여, 스핀 - 궤도 결합 (SOC) 을 포함한 더 비싼 하이브리드 범함수 (HSE06) 의 사용을 필요로 하며, 이는 계산 비용을 더욱 악화시킵니다. 이 과정을 가속화하기 위한 이전의 머신러닝 (ML) 시도는 합금 시스템에서의 제한된 정확도, 작은 초격자에 대한 의존성, 그리고 전하를 띤 결함 구성에 대한 낮은 일반화 능력으로 고통받았습니다.

방법론
저자들은 Cd/Zn–Te/Se/S 화합물에서 하이브리드 범함수 수준의 정확도로 결함의 에너지와 바닥상태 구성을 예측하도록 설계된 머신러닝 힘장 (MLFF) 프레임워크인 DeFecT-FF를 개발했습니다. 방법론은 다중 충실도 (multi-fidelity) 능동 학습 파이프라인을 따릅니다:

1. 데이터셋 구축: 초기 데이터셋은 문헌과 이전 연구에서 수집되어 이진 및 삼원 합금의 벌크 및 결함 구성을 포괄합니다. 이러한 구조들은 먼저 PBE 범함수를 사용하여 최적화되었습니다.
2. 능동 학습: PBE 데이터로 훈련된 그래프 신경망 (GNN) 모델 (ALIGNN) 의 앙상블이 구축되었습니다. 능동 학습 워크플로우는 예측 불확실성이 높은 영역 (표준 편차를 지표로 사용) 을 반복적으로 식별하고, 이러한 특정 구성에 대해 새로운 PBE 계산을 수행하여 훈련 데이터셋을 확장했습니다.
3. 고충실도 정제: 선별된 PBE 완화 구조의 하위 집합이 정확한 띠간격, 전하 전이 수준, 그리고 형성 에너지를 얻기 위해 HSE06 하이브리드 범함수를 사용하여 재최적화되었습니다. 중요한 점은 데이터셋이 최종 바닥상태뿐만 아니라 전체 완화 경로를 포착하기 위한 수천 개의 중간 완화 스냅샷을 포함한다는 것입니다.
4. MLFF 훈련: M3GNet 기반 MLFF 모델이 HSE06 에서 유도된 에너지, 원자력, 그리고 응력을 사용하여 다섯 가지 전하 상태 ($q = +2$에서 $-2$까지) 에 대해 개별적으로 훈련되었습니다. 이러한 모델들은 원자 구조에서 에너지와 힘으로의 매핑을 명시적으로 학습하여, 기울기 기반 기하학적 최적화를 가능하게 합니다.
5. 워크플로우 통합: 이 프레임워크는 다양한 초기 결함 기하학을 생성하기 위해 대칭성 깨기를 위한 ShakeNBreak 를 통합합니다. MLFF 는 이러한 구조들을 빠르게 완화하여 저에너지 후보를 식별합니다. 마지막으로, MLFF 로 최적화된 기하학에 대해 단일 포인트 HSE06+SOC 계산을 수행하여 최종 결함 형성 에너지 다이어그램을 계산합니다.

주요 기여

• 통합 HSE06 데이터셋: 고유 결함, 외부 도펀트 (예: As, Cl, Cu), 그리고 결함 복합체를 포함하여 Cd/Zn–Te/Se/S 조성 전반에 걸쳐 다섯 가지 전하 상태로 시뮬레이션된 결함 구조 및 에너지에 대한 가장 큰 통합 데이터셋의 구축.
• 전하 상태 분해 MLFF: 반도체 결함에 대한 사전 훈련된 범용 모델 (MACE 또는 CHGNet 등) 의 낮은 일반화 문제를 해결하기 위해, 전하를 띤 결함 구성에 특화되어 훈련된 M3GNet 모델의 개발.
• 가속화된 워크플로우: 전체 DFT 대비 결함 최적화의 계산 비용을 4 개 이상의 차수 (10,000 배 이상) 로 감소시키면서도 높은 충실도를 유지하는 완전한 파이프라인.
• 공개 도구: nanoHUB 플랫폼에서 대화형 온라인 도구로 DeFecT-FF 를 공개하여, 사용자가 비싼 DFT 계산을 실행하지 않고도 결정학 파일을 업로드하고, 결함을 생성하며, 형성 에너지를 계산할 수 있도록 함.

결과

• 정확도: MLFF 모델은 HSE06 벤치마크와 비교할 때 결정 형성 에너지 (CFE) 에 대해 4.8–7.8 meV/atom 의 평균 제곱근 오차 (RMSE) 를 달성하며, 결함 형성 에너지에 대해서는 <0.20 eV 의 오차를 보입니다. SOAP 기술자 분석과 PCA 투영을 통해 확인된 바와 같이, 모델들은 DFT 완화 행동을 성공적으로 재현합니다.
• 가속화: 216 개 원자 초격자 내의 전하를 띤 결함에 대한 단일 HSE06 기하학적 최적화는 약 4,096 코어 - 시간을 필요로 합니다. 반면, DeFecT-FF 완화 (MLFF 최적화 + 단일 포인트 HSE06) 는 약 0.5 코어 - 시간을 필요로 하여, 10,000 배 이상의 가속화를 나타냅니다.
• 사례 연구:
  • As-Cl 복합체: 이 프레임워크는 CdSeTe 합금 내 As-Cl 결함 복합체에 대한 저에너지 구성을 성공적으로 식별했으며, 형성 에너지 예측치는 DFT 와 0.1–0.2 eV 이내에서 일치했습니다.
  • ZnTe 내 질소: ZnTe 내 N 관련 결함에 대한 체계적인 조사는 $N_i+N_i$ 복합체가 가장 에너지적으로 유리한 구성임을 확인했습니다.
  • 유한 온도: 이 프레임워크는 300 K 에서 분자 동역학 (MD) 시뮬레이션을 가능하게 하여 수치적 안정성을 입증하고, 정적 0 K DFT 에서는 접근할 수 없는 진동 상태 밀도 (VDOS) 와 진동 엔트로피 기여에 대한 접근을 제공했습니다.
• 일반화: 모델은 훈련 데이터셋에 명시적으로 포함되지 않은 분포 외 (out-of-distribution) 조성 (예: CdSe$_{0.12}$Te$_{0.88}$) 에 대해 합리적인 일반화를 보여주었으며, RMSE 값은 12–13 meV/atom 으로 moderate 한 수준을 유지했습니다.

의의
이 논문은 DeFecT-FF 가 포괄적인 결함 조사를 실행 불가능한 작업에서 일상적인 스크리닝으로 변환한다고 주장합니다. 하이브리드 DFT 의 반복적이고 비용이 많이 드는 기하학적 최적화 단계를 우회함으로써, 이 프레임워크는 복잡한 합금 조성과 전하 상태 전반에 걸친 결함 지형도를 신속하게 매핑할 수 있게 합니다. 이러한 능력은 CdTe 기반 태양전지의 전압 부족을 이해하고 완화하는 데 중요한 단계로 제시되며, 도펀트 및 공정 조건 최적화를 촉진합니다. 저자들은 MLFF 가 구조적 기초를 제공하지만, 최종 고충실도 에너지학은 단일 포인트 HSE06+SOC 단계에 의존하여 전자 구조 특성 (띠 가장자리, 전이 수준) 이 정확하게 유지되도록 보장한다고 강조합니다. 도구의 공개는 광범위한 연구 커뮤니티를 위한 고속 결함 모델링에 대한 접근을 민주화하는 것을 목표로 합니다.