基于原子尺度基础模型的热导率预测

《Nature Communications》：Thermal conductivity predictions with foundation atomistic models

　　

摘要

机器学习的发展推动了原子级材料化学基础模型的诞生，使得跨化学多样化合物的原子间力能够以量子精度、更低计算成本进行描述。迄今为止，对这些模型的准确性和实用性评估主要依赖于基于形成能或理想化简正原子振动的描述符。然而，如何严格且具有物理可解释性地量化这些模型描述真实非谐原子动力学及具有技术意义可观测量能力的能力，仍然是一个亟待解决的问题。本文通过Wigner热输运公式和Grüneisen热膨胀方法，将基础模型的原子物理感知能力与其预测实验可观测热机械性质的实用性联系起来，提出实现第一性原理精度所需的标准和微调方案。我们将该框架应用于包含103种具有不同成分和结构的固体数据库，证明该方法克服了当前热管理材料设计方法的主要瓶颈——高成本、有限的迁移性或缺乏物理感知——并有望发现从热绝缘到类脑计算等技术领域的材料。