Machine Learning Phonon Spectra for Fast and Accurate Optical Lineshapes of Defects
Deze studie demonstreert dat machine learning interatomische potentialen, getraind op routine first-principles-relaxatiedata, de berekening van fononspectra en optische lijnvormen van defecten in vaste stoffen aanzienlijk versnellen zonder nauwkeurigheidsverlies, waardoor hoogwaardige theorie-toepassingen zoals de analyse van de T-center in silicium mogelijk worden.