利用机器学习方法，通过力场加速预测应变态二硫化钨（WS2）单层材料的低晶格热导率

《ACS Applied Energy Materials》：Machine Learning Force Field Accelerated Prediction of Low Lattice Thermal Conductivity in Strained WS2 Monolayer

二维材料WS?单层在16%双轴拉伸应变下，通过机器学习力场与Peierls-Boltzmann方程结合的方法，实现晶格热导率最低值11.18 W/mK，同时具备多稳定性，为热电应用提供新思路。

　　

由于其优异的电子特性，WS₂单层材料在电子和光电子设备中具有广泛应用前景。然而，其较高的晶格热导率（κ_L）限制了其在热电和隔热领域的应用。降低κ_L的有效方法之一是施加双轴拉伸应变。在这项研究中，我们采用了一种高效的方法，将机器学习力场与Peierls-Boltzmann传输方程相结合，以准确且高效地计算WS₂单层的κ_L。该方法在大幅节省计算资源的同时，仍能够复现密度泛函理论的结果。进一步分析表明，在2–20%的双轴拉伸应变下，WS₂单层的κ_L会降低；超过这一范围后，材料将出现动态不稳定性。室温下的κ_L随应变呈非单调递减趋势，在16%应变时降至最低值11.18 W/mK。热传输分析发现，16%应变下声子速度降低以及强烈的声子-声子散射是导致κ_L降低的原因。经过验证，16%应变下的WS₂单层材料在动态、热学和力学性能上均具有稳定性，具备实际应用价值。这一发现表明，16%应变下的WS₂单层材料可作为潜在的能量转换材料，为研究和调控二维材料中的热传输提供了有效途径。