机器学习解释材料意外的热导率

康奈尔大学的研究人员结合机器学习和强大的 X 射线，解开了具有热电能量转换和其他应用潜力的一类材料中出现的异常行为背后的谜团。

研究人员早已证明，立方相碲化锗 (GeTe) 的晶格热导率会随着温度升高而意外上升。但知道一种特性存在和解释它为何存在是两码事。

康奈尔大学西布利机械与航空航天工程学院副教授田志婷是《自然通讯》杂志一篇论文的主要作者，该论文对 GeTe 的意外行为提供了令人信服的解释。更广泛地说，这项研究加深了研究人员对相变材料中热传输的理解。

田和她的研究团队发现，当 GeTe 样品被加热到从菱面体结构变为立方结构的阶段时，同原子的第二近邻(Ge-Ge 和 Te-Te)之间的键会大大增强。当样品温度从 693 开尔文升至 850 开尔文时，Ge-Ge 键强度增加了 8.3%，Te-Te 键强度增加了 103%。

研究小组利用机器学习辅助的第一性原理计算，并结合 X 射线散射测量，首次通过计算再现了热导率不断上升的趋势。然后，他们借用一种常用的化学技术进行键合分析，并证实这些越来越强的第二近邻键在 GeTe 之前无法解释的晶格热导率上升中起着重要作用。

“从计算角度来看，研究温度效应和考虑高阶散射等问题非常困难，”田说。“但由于我们能够利用机器学习的潜力，我们能够更有效地提取相互作用，并同时考虑多种效应——温度依赖性、四声子散射和相干性贡献。”

标签：

版权声明：本文由用户上传，如有侵权请联系删除！