Redian新闻
>
Npj Comput. Mater.: 让马儿跑得又快又准—晶格热导率预测

Npj Comput. Mater.: 让马儿跑得又快又准—晶格热导率预测

公众号新闻

海归学者发起的公益学术平台

分享信息,整合资源

交流学术,偶尔风月

晶格热导率在各种技术应用中发挥着关键作用,例如电子器件的散热需要较高晶格热导率的材料,而热电材料要求尽可能低的晶格热导率。因此,发现或设计具有特定晶格热导率的体系至关重要。从理论上来说,预测晶格热导率最精确的方法是在密度泛函理论(DFT)框架下求解声子的玻尔兹曼输运方程(BTE),但这需要花费大量时间计算原子间相互作用力常数(IFCs),特别是对于具有较大原胞和较低对称性的体系。



Fig. 1 A schematic illustration of machine learning for the high-throughput prediction of lattice thermal conductivities.

作为一种替代方法,分子动力学(MD)模拟适用于预测复杂结构的晶格热导率。然而,MD的准确性很大程度上取决于所选取的原子间势函数,这无疑限制了该方法的广泛应用。总而言之,通过DFT计算和MD模拟来获得晶格热导率目前还存在一些问题或挑战,特别是它们难以用于高通量预测。
 

Fig. 2 High-throughput prediction of lattice thermal conductivities by machine learning models.

作为人工智能的一项重要技术,机器学习(ML)能够以极低的成本快速挖掘海量数据内部的特征和规律。基于实验和理论上已知的晶格热导率数据,ML可以建立起晶格热导率和特征参量(比如原子质量、声子频率、晶胞体积等)之间的映射关系。与DFT和MD方法相比,数据驱动的机器学习模型可以对训练集内外各种体系的晶格热导率进行精确的高通量预测。除了这种直接预测方法,ML还可以用来构建MD模拟所需的原子间势函数从而间接预测晶格热导率。
 

Fig. 3 Machine learning models using the Wigner-Seitz cell or the graph representing the connection of atoms in the crystal as input features.

一般来说,机器学习势(MLP)运用回归算法确定具有第一性原理精度的势能面,通常选取原子构型作为特征参量;此外,由于IFCs可以通过对势能面进行泰勒展开获得,MLP也可以用于导出IFCs以加速求解声子BTE,同样实现对晶格热导率的间接预测。总的来说,ML可以克服DFT计算和MD模拟的不足,从而快速准确地预测晶格热导率。
 

Fig. 4 Scheme of active learning bootstrapping iterations for training the Moment Tensor Potential (MTP).

最近,受到npj Computational Materials主编陈立东教授的邀请,武汉大学物理科学与技术学院的刘惠军教授团队撰文综述了近期利用机器学习预测晶格热导率的若干重要进展。在“直接预测”一节中,他们详细介绍了建立高通量模型预测晶格热导率所需要的数据集构建、特征参数选择、机器学习算法。在“间接预测”一节中,作者关注机器学习势的构造过程,强调了其第一性原理级别的精度以及相较于传统方法预测晶格热导率的优势。
 

Fig. 5 Validation of the accuracy of machine learning potentials.

文章最后,作者对目前的工作进行了简单的总结并对未来的发展和挑战进行了思考。相关论文近期发表于npj Computational Materials 9: 4 (2023)。


 

论文信息:

https://www.nature.com/articles/s41524-023-00964-2


点击下方知社人才广场,查看最新学术招聘

扩展阅读

 
稳定富镍正极晶格氧,提升循环稳定性 | NSR
Npj Comput. Mater.: 超晶格内层中的铁磁性,你测到过吗?
Npj Comput. Mater.: 超低晶格热导率材料—机器学习加速寻找
Npj Comput. Mater.: 电子与晶格共舞—纳米尺度激发态动力学
本文系网易新闻·网易号“各有态度”特色内容
媒体转载联系授权请看下方

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。
相关阅读
向花旗致敬Npj Comput. Mater.: 原子尺度成像—机器学习的亚像素处理Npj Comput. Mater.: 未知磁结构材料的拓扑性表征—不准,但有点意义Npj Comput. Mater.: 沸石—大规模精确模拟炸了!6万亿华尔街巨头暴雷!“屠杀来得又快又猛”,重大信号警惕!三次出售资产套现80亿,这波冲击多大?太绝了!文献检索如何又快又准,师姐靠这个隐藏技巧5分钟get目标文献……Npj Comput. Mater.: 优质金属零件的打印—人类智能增强的机器学习Npj Comput. Mater.: 聚簇描述—机器学习法实现外推3D版「分割一切」来了!NUS华人团队最新模型,单视图重建3D,又快又准Npj Comput. Mater.: 玻璃结构预测—懂物理的机器学习在美国哪儿退休最好Npj Comput. Mater.: 局部原子邻域描述符—无损压缩新玩法,项目中引进这玩意,排查BUG又快又准!Npj Comput. Mater.: 中大、清华、加大尔湾分校合作发现新型二维磁性材料Npj Comput. Mater.: 带电膜的力学和电化学—新理论、新诠释Npj Comput. Mater.: DFT中的电子密度—等变图神经网络Npj Comput. Mater.: “工艺-结构-性能”—谁知其中不确定性?Npj Comput. Mater.: 反铁磁遇到铁电—也有心灵感应Npj Comput. Mater.: 自由电子金属—原来可以这样做电子关联!Npj Comput. Mater.: 表面合金化学吸附—d带中心模型能否适用?Npj Comput. Mater.: 2D过渡金属单卤化物—如此超导和拓扑态Npj Comput. Mater.: 稳定半导体材料的发现—深度学习-DFTNpj Comput. Mater.: “鱼与熊掌”可以兼得—兼具高精度、高速度的分子动力学!秦制沙俄 信仰的颠覆(七十六)Npj Comput. Mater.: 二维过渡金属单卤化物—超导和拓扑态Npj Comput. Mater.: 搭乘“特快列车”的异相催化原子模拟Npj Comput. Mater.: 多主元素合金硬度—集成神经网络模型Npj Comput. Mater.: 单原子催化剂动态电荷转移—找CeO2试一下关于日本在二战中军人死亡的详细分布闲话人生(231)每逢佳节倍思亲,养儿方知父母恩Npj Comput. Mater.: 轨道耦合—调控谷能带和激子劈裂Npj Comput. Mater.: 单原子催化剂—动态电荷转移模型Npj Comput. Mater.: 拌水泥的高科技—机器学习为混凝土配方而设计Npj Comput. Mater.: 氧化物中的拓扑态—如何不再众里寻她千百度?Npj Comput. Mater.: 原子间势—准确性和可迁移性
logo
联系我们隐私协议©2024 redian.news
Redian新闻
Redian.news刊载任何文章,不代表同意其说法或描述,仅为提供更多信息,也不构成任何建议。文章信息的合法性及真实性由其作者负责,与Redian.news及其运营公司无关。欢迎投稿,如发现稿件侵权,或作者不愿在本网发表文章,请版权拥有者通知本网处理。