机器学习技术助力对β-Ga2O3基异质界面热传输的多尺度研究：跨尺度参数分析

《npj Computational Materials》：Multiscale investigation of thermal transport in β-Ga2O3-based heterointerfaces enabled by machine learning potential: cross-scale parameter

　　

摘要

随着先进电子产品的功率密度不断升高，对热管理的要求也日益严格。而传统的单一尺度方法无法完全揭示异质结构中复杂的传热机制。本研究通过构建机器学习势函数，建立了一种多尺度仿真框架，实现了从原子尺度到介观尺度，再到宏观尺度的精确参数传递。研究结果表明，β-Ga₂O₃/金刚石界面处的热边界阻力高于β-Ga₂O₃/硅和β-Ga₂O₃/碳化硅界面，且热边界阻力会随温度升高而降低，这一现象与传统认知相悖。通过对振动态密度和界面导电特性的分析，阐明了其背后的机制。将这些介观尺度的研究成果引入宏观仿真后，发现β-Ga₂O₃/金刚石异质结构的峰值功率可达β-Ga₂O₃/硅的226%。进一步分析表明，尽管散热基材的导热性仍是决定整体热性能的关键因素，但随着基材导热性和工作温度的上升，热瓶颈逐渐向界面转移。此外，晶体取向也会显著影响热性能和热应力分布，因此需要权衡各种因素。本研究不仅为优化基于β-Ga₂O₃的器件提供了有效策略，还为异质材料系统中的跨尺度热管理研究建立了可推广的方法框架。