Machine Learning Phonon Spectra for Fast and Accurate Optical Lineshapes of Defects
Este artigo demonstra que o uso de potenciais interatômicos baseados em aprendizado de máquina, ajustados com dados de cálculos de primeiros princípios, supera o custo computacional tradicional para prever com alta precisão os espectros de fônons e as formas de linha óptica de defeitos em sólidos, permitindo a análise detalhada de defeitos quânticos como o centro T no silício.