基于图神经网络的III-V族半导体带电缺陷形成能预测方法、系统、电子设备及存储介质

本发明涉及半导体缺陷计算、材料信息学、人工智能及图神经网络，具体涉及一种基于图神经网络的iii-v族半导体带电缺陷形成能预测方法、系统、电子设备及计算机可读存储介质。

背景技术：

1、iii-v族半导体材料广泛应用于发光器件、探测器、高频通信器件以及高可靠电子器件等领域。材料中的本征缺陷、杂质缺陷及其带电态会影响载流子浓度、掺杂极限、缺陷补偿行为、非辐射复合过程以及器件工作稳定性。缺陷形成能是评价缺陷热力学稳定性、掺杂可行性以及缺陷工程调控方案的重要参数。

2、现有技术中，缺陷形成能通常通过基于第一性原理的超胞计算获得。对于带电缺陷而言，计算过程除涉及缺陷结构弛豫外，还需要考虑电荷修正、势对齐以及有限尺寸效应等因素。因此，单个缺陷态的计算成本较高，难以高效支撑大规模候选缺陷、掺杂元素或宿主材料体系的筛选。

3、随着图神经网络等机器学习方法在材料性质预测中的应用，已有方法能够基于晶体结构图预测部分材料性质。然而，现有方法多面向中性晶体或整体材料性质建模，通常以原子节点及其邻接关系构成的结构图作为主要输入。对于带电缺陷形成能预测任务而言，缺陷电荷态对形成能具有直接影响，如果缺陷电荷态未作为独立输入变量参与特征交互，则模型对不同电荷态下形成能差异的表达能力受到限制。

4、此外，带电缺陷形成能不仅与缺陷局部原子邻域有关，还与宿主材料的整体组成、超胞尺度以及局部几何关系有关。现有基于局部消息传递的图神经网络方法在提取原子邻域拓扑信息方面具有一定优势，但宿主材料整体特征及超胞尺度统计信息在多层消息传递过程中可能被弱化。同时，若仅采用单一结构编码路径，也难以同时兼顾原子邻域拓扑信息以及键长、键角等局部几何关系。

5、最后，带电缺陷数据通常存在样本数量有限、形成能标签分布跨度较大以及不同宿主体系差异显著等特点。若直接采用单阶段回归训练，模型学习得到的特征在能量维度上的区分度可能不足，从而影响预测稳定性和回归精度。同时，在需要切换不同结构编码器时，现有方法往往缺少能够保持电荷编码路径和宿主材料整体特征融合路径稳定的统一结构，限制了模型在不同数据规模和不同结构描述方式下的扩展应用。

6、因此，有必要提出一种能够同时融合局域结构信息、键长与键角关系信息、宿主材料整体特征以及缺陷电荷态信息的带电缺陷形成能预测方法，并结合适合缺陷数据特点的训练机制，提高iii-v族半导体带电缺陷形成能预测的准确性、稳定性和可扩展性。

技术实现思路

1、本发明针对现有iii-v族半导体带电缺陷形成能预测方法中存在的缺陷电荷态利用不足、宿主材料整体特征表达不足、键长与键角关系信息利用不足以及结构编码器替换不便等问题，提供一种基于图神经网络的iii-v族半导体带电缺陷形成能预测方法、系统、电子设备及计算机可读存储介质。该方法能够在同一预测框架中综合利用缺陷局部结构信息、键长与键角关系信息、宿主材料整体特征以及缺陷电荷态信息，从而提高带电缺陷形成能预测的准确性、稳定性和适用性。

2、根据本发明的第一个方面，提供一种基于图神经网络的iii-v族半导体带电缺陷形成能预测方法。该方法包括：获取缺陷样本的晶体结构数据、原子特征数据、原子邻接关系数据、键长数据、键角数据以及缺陷电荷态数据；根据所述原子特征数据和原子邻接关系数据构建原子邻域图，并通过第一结构编码器提取原子邻域结构特征；根据所述键长数据和键角数据构建键长与键角关系图，并通过第二结构编码器提取键长与键角关系特征；将所述原子邻域结构特征和所述键长与键角关系特征进行融合，得到融合结构特征。

3、根据本发明的预测方法，在获得所述融合结构特征后，根据缺陷样本中全部原子特征的统计信息以及超胞尺度信息构建全局特征节点，并在缺陷电荷态参与特征融合之前，将所述全局特征节点与所述融合结构特征进行融合，以获得融合全局特征后的结构特征。所述全局特征节点可以由全部原子特征的均值、标准差、方差、超胞原子数及其变换值中的至少一种构成。通过引入所述全局特征节点，可以补充宿主材料整体组成信息和超胞尺度信息，减少仅依赖局部原子邻域信息进行预测时对材料整体特征表达不足的问题。

4、根据本发明的预测方法，将缺陷电荷态作为独立输入变量进行编码，得到电荷特征，并将所述电荷特征与融合全局特征后的结构特征进行交互融合，得到包含缺陷电荷态信息的联合特征。所述电荷特征可以通过多层感知机、嵌入编码或连续数值映射方式获得；所述交互融合可以采用注意力机制、门控融合、特征调制、条件归一化或其组合方式。由此，同一缺陷结构在不同缺陷电荷态下能够形成相互区分的特征结果，从而提高模型对不同电荷态形成能差异的表达能力。

5、根据本发明的预测方法，模型训练过程包括两个阶段。第一阶段为候选形成能取值点训练，将目标缺陷形成能范围划分为多个候选形成能取值点，并对所述候选形成能取值点进行基函数展开，再根据样本联合特征与候选形成能取值点特征之间的相似度构造加权预测形成能，并结合分类损失和回归损失对模型进行训练。第二阶段为形成能回归训练，在第一阶段训练结果的基础上，以缺陷形成能标签作为监督信号，对回归输出部分或模型整体进行训练，以得到用于输出缺陷形成能预测值的预测模型。

6、在一种实施方式中，所述第一结构编码器和第二结构编码器作为可插拔的独立模块设置。在保持电荷编码路径、全局特征节点路径以及回归输出路径不变的情况下，所述第一结构编码器和第二结构编码器中的至少一个可以替换为其他适用于晶体结构数据的图神经网络编码器或晶体结构特征提取器。由此，本发明能够适配不同数据规模、不同晶体结构描述方式以及不同模型实现方式。

7、根据本发明的第二个方面，提供一种基于图神经网络的iii-v族半导体带电缺陷形成能预测系统。该系统包括数据获取模块、双分支结构编码模块、结构融合模块、全局特征节点构建模块、电荷编码模块、交互融合模块以及训练与预测模块。所述数据获取模块用于获取缺陷样本数据；所述双分支结构编码模块用于分别提取原子邻域结构特征和键长与键角关系特征；所述结构融合模块用于得到融合结构特征；所述全局特征节点构建模块用于构建并融合全局特征节点；所述电荷编码模块用于将缺陷电荷态编码为电荷特征；所述交互融合模块用于得到包含缺陷电荷态信息的联合特征；所述训练与预测模块用于训练模型并输出缺陷形成能预测值。

8、根据本发明的第三个方面，提供一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时实现上述基于图神经网络的iii-v族半导体带电缺陷形成能预测方法。

9、根据本发明的第四个方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述基于图神经网络的iii-v族半导体带电缺陷形成能预测方法。

10、与现有技术相比，本发明至少具有以下有益效果：本发明将缺陷电荷态作为独立输入变量参与特征融合，能够区分同一缺陷结构在不同缺陷电荷态下的形成能差异；通过全局特征节点引入宿主材料整体组成信息和超胞尺度信息，能够改善仅依赖局部消息传递时整体特征表达不足的问题；通过原子邻域图和键长与键角关系图分别提取拓扑信息和局部几何信息，能够提高对缺陷局部结构变化的表达能力；通过候选形成能取值点训练和形成能回归训练相结合的两阶段训练方式，能够提高样本数量有限、形成能标签分布跨度较大情况下的训练稳定性和预测精度；同时，通过结构编码器接口保留电荷编码路径、全局特征节点路径和回归输出路径，便于在不同结构编码器之间进行替换和扩展。