自动化第一性原理计算构建非简谐声子数据库与深度学习预测材料热导率

《npj Computational Materials》:Database and deep-learning scalability of anharmonic phonon properties by automated brute-force first-principles calculations

【字体: 大 中 小 】 时间:2026年04月14日 来源:npj Computational Materials 11.9

编辑推荐:

  为解决非简谐声子特性(如声子寿命和热导率)数据库稀缺,以及传统计算高成本的问题,研究人员开发了自动化第一性原理计算流程(auto-kappa),构建了涵盖超过6500种无机化合物的非简谐声子数据库(Phonix)。利用该数据集,他们训练了图神经网络(GNN)模型来预测热导率及其谱分布,展示了预测精度随训练数据量增加的标度律,并通过高通量筛选识别出具有极高和极低热导率的材料。该研究为理解声子的非简谐行为提供了宝贵资源,加速了先进功能材料的设计。

  
在材料科学领域,精确理解和预测材料的导热行为至关重要,这直接影响着从电子器件散热、热电能源转换到航空航天隔热等一系列关键技术的发展。其中,晶体化合物的非简谐声子特性,如声子寿命和晶格热导率,是决定其热输运行为乃至光学、电子、磁学特性的核心。然而,尽管计算材料学已发展多年,针对非简谐声子特性的高质量、大规模数据库却相对稀缺。现有的数据库,如Phonondb,主要提供谐波声子性质,而AFLOW等则采用了准谐德拜近似进行估算。基于实验的数据库(如Starrydata)又受到晶粒尺寸、载流子浓度、杂质等外禀因素的强烈影响,数据难以统一,阻碍了可靠的预测建模。另一方面,尽管微软团队近期利用机器学习势构建了约24.6万种材料的非简谐声子数据库,但其材料空间主要局限于结构简单的二元和三元化合物。因此,亟需建立一个基于第一性原理计算、覆盖从简单到复杂结构材料的非简谐声子属性数据库,以准确捕捉材料内在的热行为,并为深入理解声子与其他准粒子和场的相互作用奠定基础。
为此,一项发表于《npj Computational Materials》的研究应运而生。研究人员开发了一套名为“auto-kappa”的自动化第一性原理计算工作流,旨在高效、系统地计算非简谐声子属性。利用这一工具,他们成功构建了一个名为“Phonix”的综合性数据库,其中包含了超过6500种无机化合物的非简谐声子相互作用数据。更重要的是,他们利用这个庞大的数据集训练了一个图神经网络模型,证明了从结构参数预测热导率值及其谱分布的可行性,并且发现了一个清晰的“标度律”——模型的预测精度随着训练数据量的增加而稳定提升。基于此模型的高通量筛选,他们还成功识别出了具有极高和极低热导率的极端材料。这项研究不仅提供了一个宝贵的数据库,为理解声子的非简谐行为提供了前所未有的洞察,也展示了数据驱动方法在加速先进功能材料发现与设计中的巨大潜力。
为了开展这项研究,作者们主要应用了几个关键技术方法。首先,他们开发了自动化软件“auto-kappa”,整合了密度泛函理论(DFT)计算软件VASP和声子计算软件ALAMODE,实现了从结构优化、力常数提取到求解玻尔兹曼输运方程(BTE)的全流程自动化,并解决了消除虚频等计算难题。其次,他们以Phonondb和Materials Project数据库中的非金属、非磁性材料为起点,进行了大规模的高通量第一性原理计算,最终生成了包含6641种材料、7342个数据点的“Phonix”数据库。最后,在机器学习建模方面,他们采用了晶体图卷积神经网络(CGCNN)来预测标量性质(如热导率),并使用了欧几里得神经网络(e3nn)框架下的SE(3)-Transformer来预测谱函数(如累积热导率曲线),这些模型能够充分考虑晶体的三维旋转和平移对称性。
结果部分的主要发现如下:
自动化非简谐声子分析:研究团队开发的“auto-kappa”软件实现了第一性原理非简谐声子计算的自动化流程。该流程涵盖了从结构优化、消除虚频到计算力常数和求解玻尔兹曼输运方程的全过程。利用该软件,他们构建了“Phonix”数据库,其中不仅包含输入/输出文件,还生成了丰富的中间数据和图表,如声子色散、声子态密度、温度与晶粒尺寸依赖的热导率、模式依赖的声子散射率与寿命、以及作为平均自由程和频率函数的光谱与累积热导率等。
数据库分析:对“Phonix”数据库的分析显示,其涵盖了广泛的空间群和晶体系统,原胞中的原子数最多达160个,元素周期表1至6周期、1至17族的元素(除Po和At外)均有出现。晶格热导率在300 K时与每个原子的体积呈负相关关系。数据库的平均热导率为2.4 W m-1K-1,其中约1%的材料热导率超过200 W m-1K-1,28%的材料低于1.0 W m-1K-1。研究还比较了Peierls热导率(κp)和相干热导率(κc)的贡献,发现近一半材料的相干贡献不可忽略(κc≥ 0.1 × κp),甚至在SiC多型体等高热导材料中,相干贡献的绝对值也相当显著。
计算精度:将本研究计算的声子色散与Phonondb数据库对比,以及将计算的热导率与103种单晶化合物的实验值对比,结果显示总体吻合良好。但研究也指出,对于预测值异常高(>1000 W m-1K-1)的材料,计算结果需谨慎对待,可能需要更大的超胞或更密的q点网格来提高精度,并应考虑四声子散射等更高阶效应。
非简谐声子特性的深度学习标度律:利用构建的数据库,研究人员训练了图神经网络来预测Peierls热导率(κp)和归一化的累积Peierls热导率(κcumulnorm)。结果显示,预测的平均绝对误差(MAE)随着训练数据量(Ntrain)的增加而系统性地降低,遵循误差 ∝ (Nc/Ntrain)α的标度律。对于κp和κcumul的标度因子α分别为0.17和0.14,与大型语言模型等任务的标度因子相当。这表明,随着数据库的进一步扩大,机器学习模型的预测精度有望持续提升。
使用Phonix数据库进行筛选:利用在“Phonix”数据上训练的预测模型,研究人员对GNoME数据库中约38.1万种新型晶体结构进行了高通量筛选,以寻找具有极高和极低热导率的材料。随后,他们对筛选出的候选材料(148个高κ和21个低κ)进行了第一性原理计算验证。验证发现,对低热导率材料的预测较为准确,而对高热导率材料的预测误差和不确定性更大。通过计算,他们发现了三种三声子散射下热导率超过200 W m-1K-1的材料(如六方NpPH)和九种低于0.2 W m-1K-1的材料(如三方Cs6Rb2SnPbI12)。分析表明,高热导材料(如NpPH)具有重原子被轻原子(包括氢)包围的结构,其重原子和轻原子的声子模式在频率上完全分离,抑制了非谐相互作用,从而使得以重原子为主的低声学支声子寿命很长,主导了热输运。而低热导材料则具有更复杂的晶体结构,多种原子混合的声子模式分布在一个宽频率范围内,增强了声子散射。
结论与讨论:
本研究通过开发自动化的第一性原理计算工作流,成功构建了一个大规模、高质量的非简谐声子属性数据库“Phonix”,涵盖了超过6500种无机化合物,极大地填补了该领域的数据空白。基于此数据库的机器学习分析揭示了一个明确的标度律,即图神经网络对非简谐声子特性(如热导率及其谱分布)的预测精度随着训练数据量的增加而持续提升。这为未来利用更大规模数据构建更精准的预测模型提供了理论依据和乐观前景。此外,利用训练好的模型对海量新型材料(GNoME数据库)进行高通量筛选,并成功识别出具有极端热导率(极高和极低)的候选材料,证明了该数据驱动框架在加速功能材料发现方面的强大能力。这些新发现的高热导材料(如含氢的锕系元素磷氢化物)和低热导材料(如复杂的铯基卤化物)为了解极端热输运行为的结构起源提供了新的视角。
这项研究的重要意义在于,它不仅提供了一个可直接用于数据挖掘和机器学习建模的宝贵资源,加速了对声子非谐行为及其与多种物理现象(电、光、磁)耦合的机理理解,而且展示了一条清晰的、可持续的研究路径:通过自动化计算不断扩充数据库,利用标度律指导机器学习模型优化,最终实现对新材料性能的高效、准确预测与设计。该工作标志着计算材料学与人工智能的深度融合迈向了新阶段,为热电材料、热管理材料、超导材料等诸多领域的发展注入了新的动力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号