The thesis demonstrates the method to obtain the Hamiltonian based on tight-binding (TB) for a crystal structure using an artificial neural network (ANN). We propose the Tight-Binding Parameter Extraction Package (TBPGP) to extract the TB parameters for the crystal structure obtained through density functional theory (DFT) simulation and Tight-Binding Parameter Neural Network (TBPNN) to learn the TB parameters for the strained structure with an ANN. TBPGP can reproduce the band structure more accurately than the existing TB method using the Naval research laboratory tight-binding (NRL-TB) method. As a result, for black phosphorus and silicon dioxide, TBPGP generated NRL-TB parameters that reproduce band energy with a difference of 30 meV or less from the DFT band energy. On the other hand, TBPNN can generate NRL-TB parameters accurately and quickly using multilayer perceptrons, deep neural networks, and convolutional neural networks. As a result, TBPNN obtained NRL-TB parameters which implement band structure with a difference of 50 meV or less from the DFT band structure within 0.01 second for the strained black phosphorus structure.
이 논문는 인공 신경망을 이용하여 결정 구조에 대한 tight-binding (TB) 기반의 해밀토니안을 얻는 방법을 다룬다. 우리는 density functional theory (DFT) 시뮬레이션을 통해 얻은 결정구조에 대한 TB 파라미터를 추출하는 Tight-Binding Parameter Extraction Package (TBPGP)와 변형된 구조에 대한 TB 파라미터를 인공신경망으로 학습하는 Tight-Binding Parameter Neural Network (TBPNN)을 제안한다. TBPGP는 Naval research laboratory tight-binding (NRL-TB) 방법을 이용하여 다른 TB 방법보다 밴드 구조를 정확하게 구현할 수 있다. 특히 흑린과 이산화규소 등에서 TBPGP는 밴드에너지가 DFT 밴드에너지와 30 meV 이하의 차이를 갖는 NRL-TB 파라미터를 생성하였다. TBPNN은 심층신경망, 합성곱 신경망 등을 이용하여 정확하고 빠르게 NRL-TB 파라미터를 얻을 수 있다. 그 결과 TBPNN은 변형된 흑린 구조에 대해서 0.01초안에 밴드 에너지가 DFT 결과와 50 meV 이하의 차이를 갖는 NRL-TB 파라미터를 구하였다.
