MétaCan
Menu
Retour à la cohorte
Enregistrement W4285593336 · doi:10.1103/physrevb.106.045204

Benchmarking exchange-correlation potentials with the mstar60 dataset: Importance of the nonlocal exchange potential for effective mass calculations in semiconductors

2022· article· en· W4285593336 sur OpenAlexafffund
Magdalena Laurien, Oleg Rubel

Notice bibliographique

RevuePhysical review. B./Physical review. B · 2022
Typearticle
Langueen
DomaineMaterials Science
ThématiqueMachine Learning in Materials Science
Établissements canadiensMcMaster University
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Foundation for InnovationCompute Canada
Mots-clésHybrid functionalDensity functional theoryPhysicsSemiconductorBenchmark (surveying)Condensed matter physicsStatistical physicsMaterials scienceQuantum mechanics

Résumé

récupéré en direct d'OpenAlex

The accuracy of effective masses predicted by density functional theory depends on the exchange-correlation functional employed, with nonlocal hybrid functionals giving more accurate results than semilocal functionals. In this article, we benchmark the performance of the Perdew-Burke-Ernzerhof (PBE), Tran-Blaha modified Becke-Johnson (TB-mBJ), and the hybrid Heyd-Scuseria-Ernzerhof (HSE06) exchange-correlation functionals and potentials for the calculation of effective masses with perturbation theory. We introduce the mstar60 dataset, which contains 60 effective masses derived from 18 semiconductors. The ratio between experimental and calculated effective masses is $1.70\ifmmode\pm\else\textpm\fi{}0.20$ for PBE, $0.76\ifmmode\pm\else\textpm\fi{}0.04$ for TB-mBJ, and $0.99\ifmmode\pm\else\textpm\fi{}0.04$ for HSE06. We reveal that the nonlocal exchange in HSE06 enlarges the optical transition matrix elements leading to the superior accuracy of the hybrid functional in the calculation of effective masses. The omission of nonlocal exchange in the transition operator for HSE leads to serious errors. For the semilocal PBE functional, the errors in the band gap and the optical transition matrix elements partially cancel out in the calculation of effective masses. The TB-mBJ functional yields PBE-like matrix elements paired with realistic band gaps leading to a consistent overestimation of effective masses. However, if only limited computational resources are available, experimental masses can be estimated by multiplying TB-mBJ masses by a factor of 0.76. We then compare effective masses of transition metal dichalcogenide bulk and monolayer materials: we show that changes in the matrix elements are important in understanding the layer-dependent effective mass renormalization.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,011

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0020,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0030,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,002

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,011
Tête enseignante GPT0,329
Écart entre enseignants0,318 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations16
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePhysical review. B./Physical review. BMême sujetMachine Learning in Materials ScienceTravaux en français237 207