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

Resumo Técnico: Potencial de Deformação Generalizado e Abordagens de Aprendizado de Máquina para Acoplamento Elétron-Fônon e Transporte Termoelétrico em Semicondutores

Definição do Problema
Cálculos preditivos de coeficientes de transporte eletrônico em materiais cristalinos, particularmente semicondutores, dependem do cálculo do acoplamento elétron-fônon (el-ph) a partir de primeiros princípios usando a teoria de perturbação de função de densidade (DFPT) e técnicas de interpolação (ex: interpolação de Wannier ou Fourier). Embora precisos, esses métodos são computacionalmente caros, especialmente quando grades densas de espaço recíproco são necessárias para resolver portadores de carga próximos ao nível de Fermi. Esse custo dificulta a triagem de alto rendimento de materiais com propriedades de transporte desejadas ou a previsão de propriedades para sistemas complexos, como heteroestruturas. Modelos simplificados existentes, como o modelo de potencial de deformação (DP) acústico, frequentemente simplificam demais a física ao utilizar um único parâmetro, falhando em considerar toda a complexidade das simetrias cristalinas e localizações de extremidades de bandas. Inversamente, o aprendizado de máquina (ML) tem sido aplicado para prever figuras de mérito de transporte, mas não tem sido amplamente utilizado para prever diretamente elementos de matriz el-ph em grades densas a partir de pequenos conjuntos de treinamento.

Metodologia
Os autores propõem dois métodos computacionalmente econômicos para obter propriedades de transporte termoelétrico usando um pequeno número de elementos de matriz el-ph calculados por primeiros princípios (aproximadamente 10 a 100 por banda eletrônica e modo fônico) aplicados à monocamada de MoS$_2$.

1. Abordagem de Modelo Generalizado:

   • Potencial de Deformação Acústico: Os autores formulam um modelo de potencial de deformação acústico para simetrias cristalinas arbitrárias e localizações de extremidades de banda, generalizando a abordagem de Herring e Vogt. Para simetria hexagonal com extremidades de banda ao longo da linha $\Gamma$-K, eles derivam fórmulas explícitas para os componentes do tensor de potencial de deformação (DP) ($\Xi_d, \Xi_u, \Xi_p$).
   • Mecanismos de Espalhamento: O modelo combina:
     • Espalhamento acústico intra-valey (modos LA e TA) usando o tensor de potencial de deformação generalizado.
     • Espalhamento óptico não polar intra-valey (TO$_2$) e espalhamento inter-valey (K para K') usando aproximações padrão de potencial de deformação.
     • Espalhamento óptico homopolar intra-valey (ZO$_1$) usando uma expansão em série de Taylor do DP para considerar contribuições de longo alcance.
     • Espalhamento óptico polar intra-valey (LO$_2$) usando um modelo do tipo Fröhlich para cristais 2D para descrever interações dipolo-dipolo de longo alcance.
   • Parâmetros: Todos os parâmetros do modelo são derivados de $\sim$10 elementos de matriz DFPT por modo.

2. Abordagem de Aprendizado de Máquina (ML):

   • Estratégia de Regressão: Este método utiliza algoritmos de regressão para interpolar $\sim$100 elementos de matriz el-ph de primeiros princípios em grades densas de espaço recíproco relevantes para o transporte.
   • Algoritmos:
     • Características Polinomiais (PFR): Usado para modos acústicos (LA, TA) onde a dependência do vetor de onda do fônon é polinomial (linear).
     • Regressão de Processo Gaussiano (GPR): Usado para modos ópticos polares (LO$_2$) e homopolares (ZO$_1$) onde a dependência do vetor de onda é mais complexa.
   • Dados de Treinamento: Os conjuntos de treinamento consistem em elementos de matriz el-ph calculados via DFPT+Wannier para estados eletrônicos iniciais no ponto K e vetores de onda fônica escolhidos uniformemente ou aleatoriamente dentro de uma pequena região (até 35% da distância $\Gamma$-K) próxima ao centro da zona de Brillouin.

Resultos Principais
Os métodos foram aplicados à monocamada de MoS$_2$, um material com um gap de banda direto nos pontos K e K'.

• Precisão dos Elementos de Matriz: Tanto o modelo generalizado quanto a abordagem de ML reproduzem os elementos de matriz el-ph obtidos da abordagem de estado da arte DFPT+Wannier (código EPW) com alta fidelidade. A abordagem de ML captura a anisotropia dos modos TA e as dependências específicas do vetor de onda dos modos polares e homopolares (incluindo o "cusp" em ZO$_1$ e o aumento íngreme de LO$_2$ próximo a $\Gamma$).
• Taxas de Espalhamento e Mobilidade:
  • A abordagem de ML produz mobilidades de drift eletrônico quase idênticas aos resultados rigorosos de DFPT+Wannier.
  • O modelo é ligeiramente menos preciso para modos acústicos transversais (TA), provavelmente devido à negligência de interações de longo alcance piezoelétricas, mas permanece geralmente consistente.
  • À temperatura ambiente, a mobilidade calculada usando o método de ML é de 159 cm$^2$/(Vs), aproximando-se fortemente do resultado EPW (156 cm$^2$/(Vs)) e do limite superior dos valores experimentais (148 cm$^2$/(Vs)).
• Transporte Termoelétrico:
  • O potencial químico calculado, a condutividade elétrica e o coeficiente Seebeck mostram excelente concordância com dados experimentais.
  • Os valores de condutividade alinham-se bem com experimentos para amostras de alta qualidade, enquanto as discrepâncias com dados experimentais de menor qualidade são atribuídas a desordem extrínseca (impurezas carregadas, espalhamento de substrato).

Significância e Alegações
O artigo afirma que ambos os métodos propostos oferecem uma redução significativa no custo computacional em comparação com fluxos de trabalho completos de DFPT+Wannier, mantendo a precisão preditiva para propriedades de transporte termoelétrico.

• Abordagem de Modelo: Fornece um framework fisicamente transparente com um conjunto compacto de parâmetros que podem ser reutilizados para modelagem de dispositivos sem repetir cálculos completos de primeiros princípios. Ele generaliza com sucesso a teoria do potencial de deformação acústica para simetrias arbitrárias.
• Abordagem de Aprendizado de Máquina: Os autores identificam este método como mais preciso e direto de implementar do que a abordagem de modelo. Ele evita a necessidade de formulações analíticas complexas e derivações de parâmetros, baseando-se na regressão de um pequeno conjunto de treinamento.
• Aplicabilidade Geral: A formulação de ML é descrita como muito geral e aplicável a materiais de qualquer simetria.

O trabalho demonstra que propriedades de transporte termoelétrico precisas podem ser previstas usando um conjunto mínimo de cálculos de primeiros princípios, facilitando a triagem eficiente de materiais semicondutores.