8月10日消息，华东师范大学的Junjie Zhou、Menglin Huang和Shiyou Chen在arXiv发表预印本论文（2608.07997），提出了一种基于机器学习电荷密度（MLCD）的缺陷形成能预测方法。 第一性原理缺陷计算通常受限于大超胞的计算成本，因为需要足够大的超胞来抑制镜像相互作用。机器学习原子间势（MLIPs）提供了另一种选择，但训练缺陷MLIPs通常需要数千个结构和数周的数据生成时间。 由于电荷密度是密度泛函理论（DFT）的核心，研究团队提出了利用机器学习电荷密度路线来预测缺陷形成能的方法，具有更高的数据效率。该方法仅需在小超胞上训练电荷密度模型，即可推广到包含数百个原子的大超胞缺陷体系，准确预测缺陷形成能。 这一方法在数据效率方面显著优于传统的MLIP方法。传统方法需要大量缺陷结构的DFT计算作为训练数据，而MLCD方法利用电荷密度作为中间物理量，可以直接从小超胞推广到大超胞，大幅减少了计算量。研究团队在多种半导体材料中验证了该方法的准确性。 缺陷工程是半导体器件、光伏材料和催化剂设计的核心手段。该计算工具的高效性将加速新型功能材料的发现和优化，特别是在需要系统评估大量缺陷构型的材料筛选场景中。 （来源：arXiv）