通过深度学习势方法研究Ti?C? MXene的晶格热导率

《Computational Materials Science》：Lattice thermal conductivity of Ti 3C 2 MXene via deep-learning potential

　　``

• •
  开发了一种高精度的深度学习模型，用于预测Ti₃C₂ MXene材料的性能。
• •
  其热导率分别为20.8纳米时为69.4 W/(m K)，无限长度时为148 W/(m K)。
• •
  Ti₃C₂在尺寸和温度变化时表现出优异的导电性能。

引言

自2004年石墨烯被发现以来，二维（2D）材料通过提供高度可调的平台，对凝聚态物理和材料科学产生了深远影响，这些平台有助于研究量子限制、表面化学和界面相互作用[1]。在不断发展的2D材料家族中，MXenes（过渡金属碳化物、氮化物和碳氮化物）特别受到关注，因为它们独特地结合了金属导电性和亲水性及可化学修饰的表面特性。这种组合使MXenes区别于石墨烯、过渡金属硫族化合物以及大多数其他层状材料[2],[3]。迄今为止报道的多种MXenes中，Ti₃C₂是研究最广泛且技术应用最重要的代表之一。其原子结构由三层钛和两层碳组成，暴露在外的表面通常通过选择性去除Ti₃AlC₂前驱体中的铝（Al）而形成O、F、OH和Cl等官能团[3]。这些官能团的类型、浓度和空间分布显著影响材料的电子结构、功函数、离子吸附和插层能量、表面反应性以及催化性能[4],[5]。结合其高导电性、较大的可接触表面积、机械柔韧性和可加工性，这种化学活性表面使Ti₃C₂成为超级电容器和电池[2],[6]、电磁干扰屏蔽[7],[8]、催化和光催化[9],[10]、环境修复[11]以及化学和物理传感[12],[13]领域的关键材料。合成和表征技术的进步现在使得能够研究表面官能团、缺陷、氧化状态、插层物种以及局部结构动态[14],[15]。与此同时，理论研究也在超越基于理想化密度泛函理论（DFT）的模型，这些模型基于具有均匀官能团的理想化薄片。新兴的多尺度数据和信息驱动框架越来越多地考虑混合和无序的官能团、空位、缺陷、多层结构、溶剂效应以及实际操作环境[16],[17],[18]。尽管取得了这些进展，计算预测的性质与实验测量结果之间仍存在较大差异，主要是因为真实的Ti₃C₂样品具有复杂的表面组成、结构无序性、环境敏感性以及合成依赖性的变化。因此，系统地将理论与实验可获取的结构和性质相结合已成为当前Ti₃C₂研究的核心方向[19]。应对这一挑战对于将Ti₃C₂从一种具有广泛潜力的MXene转变为可控制组成和可预测设计的实用技术材料至关重要。

传统的计算材料科学依赖于密度泛函理论（DFT）和经典分子动力学（MD），这两种方法都在准确性和计算成本之间存在权衡[20],[21]。基于大数据库和深度学习的数据驱动方法为克服这些限制提供了新的途径。特别是机器学习原子势（MLIPs）能够在大大降低的成本下复现DFT级别的准确性，从而实现以前无法实现的时空尺度模拟[22],[23]。通过基于注意力的架构和预训练策略，MLIPs的能力得到了进一步提升[23]，尽管在某些键合环境中它们可能会表现出一定的软化现象[24]。因此，像CHIPS-FF这样的基准测试对于评估其在不同性质上的普适性变得至关重要[25]。这些方法现已扩展到复杂表面和界面，包括通过集成第一性原理和机器学习框架研究的MXenes[16]。

在机器学习原子势中，深度学习原子势（DLP）方法因其端到端的、保持对称性的局部原子环境表示而获得了广泛的应用。其开源实现DeePMD能够进行接近从头算（ab initio）精度的大规模分子动力学模拟[27],[28]，同时机器学习增强的采样技术提高了对自由能景观和稀有事件的探索能力[29],[30]。DeePMD-kit与LAMMPS接口，而DP-GEN自动化了训练数据的生成，使DeePMD成为一个适合实际应用的模拟框架[27]。最近，预训练的基于注意力的DPA-1模型能够在包含56种元素的化学系统中实现高效微调，并产生具有化学解释能力的类型嵌入[23]。此外，DeePMD大幅减少了推理时间和内存需求，便于对大而复杂的系统进行模拟[31]。因此，DeePMD已应用于多种科学领域，包括大规模模拟均匀冰核形成[32]，以及多组分熔盐的热物理和传输性质预测[33],[34],[35],[36]，还阐明了LiPF₆在极性溶剂中的降解机制[37]。在固态应用方面，它涵盖了钨的辐射损伤[38]、HfO₂铁电薄膜[39]、钾离子固体电解质[40]和Al–Li合金[41]的研究。进一步的扩展还包括地幔条件下的水合矿物[42]、地球熔体中的相分离[43]，以及水泥化学中二钙硅酸盐的原子级溶解[44]，展示了该框架的准确性、可扩展性和跨领域通用性。

章节摘录

方法细节

在这项工作中，构建并使用了一种基于深度学习的原子势来进行单层Ti₃C₂ MXene的大规模原子模拟，如图1所示。模拟的主要目标是准确预测这种2D材料的车架热导率。特别是，通过非平衡分子动力学（NEMD）模拟来评估声子介导的热传输。

深度学习原子势的验证

图2展示了使用DFT和DLP计算的Ti₃C₂的声子散射谱。从DLP得到的声子分支与DFT结果在整个布里渊区内有极好的一致性，包括低频声学模式和高频光学模式。这种高度一致性表明，DLP能够准确地再现Ti₃C₂的DFT势能面和原子间力常数。因此，所开发的DLP能够可靠地描述其晶格动力学

总结

总之，使用基于AIMD数据训练的DLP系统地研究了2D Ti₃C₂的车架热导率和结构稳定性。开发的DLP准确再现了AIMD计算得到的能量、原子力和应力，证明了其在大规模分子动力学模拟中的可靠性。模拟结果表明，车架热导率明显依赖于系统尺寸和温度。在300 K时，热导率

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。

致谢

本工作得到了广西壮族自治区中小学教师基础科学研究能力提升项目（资助编号2022KY0784）和桂林航空航天职业技术学院高性能计算机的支持。

Zexiang Deng

```