西安交通大学丁向东教授团队JMI最新研究论文 | PINK: 物理知识结合机器学习用于晶格热导率预测

本研究由西安交通大学丁向东教授团队提出了一种名为PINK的高通量机器学习框架，旨在预测晶格热导率（𝜅𝐿）。该框架结合了晶体图卷积神经网络（CGCNN）和物理模型，直接从晶体学信息文件（CIF）中快速且准确地预测𝜅𝐿。研究背景在于晶格热导率是热电、制冷器件及电子器件界面热阻研究的关键物理量，但由于计算成本高和缺乏公开的声子热导率数据库，微纳米传热领域的发展受到制约。PINK框架通过训练好的CGCNN模型提取材料的体模量和剪切模量，并结合物理模型计算声速和Grüneisen参数，最终利用公式计算𝜅𝐿。研究结果表明，PINK显著提升了预测效率，兼具高精度与物理可解释性，为材料设计提供科学依据。此外，PINK平台支持批量预测，用户可自定义输入参数，适用于无机晶体结构的快速筛选。通过该方法，研究团队从377,221种稳定材料中筛选出数千种低𝜅𝐿材料，并通过第一性原理计算验证了Ag₃Te₄X（X = W, Ta）的超低𝜅𝐿特性。PINK为研究人员提供了一个高效、用户友好的平台，加速了高性能热电材料的发现。