(纯计算)加州大学洛杉矶分校Phys. Rev. Mater.: 机器学习探索高导热材料中的热输运和声子高阶非谐性

本文研究了机器学习在高导热材料热输运和声子高阶非谐性研究中的应用，以砷化硼（BAs）为原型材料。背景方面，散热在现代电子产品中是一个重大挑战，高导热材料如BAs因其优异性能成为研究热点。研究目的是评估机器学习方法在预测热输运方面的能力，特别是在高阶声子非谐性起关键作用的情况下。作者开发了一种基于从头算分子动力学的矩张量势训练方法，能够准确预测多种物理性质，包括热导率和声子平均自由程。研究结论表明，该方法在不同条件和尺寸限制下与第一性原理计算和实验测量紧密匹配，揭示了高质量BAs中竞争性3-声子和4-声子过程引起的本征行为，展示了机器学习在热管理解决方案中的潜力。