综述：界面热输运光谱学：理论与实验综述

《Physical Chemistry Chemical Physics》：Interfacial thermal transport spectroscopy: a review of theory and experimentOpen Access

　　

跨界面的热输运是现代微电子热管理中的关键瓶颈，尤其是随着器件向纳米尺度扩展且功率密度日益增高。虽然体材料性质已被充分理解，但由载流子透射和散射所决定的界面传热物理仍是一项复杂挑战。在此，研究人员综述了界面热输运光谱学的方法与研究，将基础理论与最先进的建模和实验联系起来。研究人员首先考察了声子气体模型和载流子耦合的基础，随后详细讨论了从纳米尺度的原子格林函数（AGF）和分子动力学（MD）模拟到微尺度的玻尔兹曼输运方程（BTE）等计算方法。然后，研究人员评估了流行的实验技术，如频域热反射（FDTR）、时域热反射（TDTR）和电子能量损失谱（EELS），强调它们在解析声子谱贡献方面的作用。研究人员进一步强调了新兴的数据驱动方法和机器学习方法，这些方法加速了物理理解和材料发现。最后，研究人员概述了在计算和实验框架内表征谱分辨界面热输运所面临的开放挑战，以及两者之间持续存在的差距。本综述旨在为理解和优化下一代电子与能源器件的界面散热提供统一视角。

II. 界面热输运基础

界面热输运通过热流与温度差的线性关系定义，其中比例系数为热边界电导（TBC），其倒数为热边界电阻（TBR）。Kapitza首先在固体-液氦界面观察到温度突降，故TBR又称Kapitza阻力。对于理想界面，声子作为主要热载流子，其净热流由各声子模态能量对全频率积分并乘以透射概率决定。确定声子透射系数是核心问题。声学失配模型（AMM）将声子视为连续介质中的波动，假设界面光滑，满足斯涅尔定律，适用于低温长波声子，但高估热输运。漫散射失配模型（DMM）假设界面粗糙，声子发生漫散射，透射概率仅由两侧声子态密度决定，可包含非弹性散射扩展，但忽略低频声子波动性。混合失配模型（MMM）引入镜面参数p。这些模型忽略了实际界面细节，但提供了清晰的物理图像。

III. 计算建模

A. 原子格林函数（AGF）

原子格林函数基于声子气体模型，在倒空间求解声子输运。它计算谐波动力学矩阵，考虑界面区域与半无限引线，获得声子能量透射函数，并采用Landauer形式给出界面热导。AGF能处理粗糙度、晶界、无序层等原子结构效应。例如，Si/Ge界面质量分布调控可改变2-8 THz声子透射。近年来，非平衡格林函数（NEGF）纳入非谐自能，可描述三声子散射，发现高频率声子可通过非弹性散射贡献界面热导。但高阶非谐计算成本极高，复杂体系如金属有机框架难以应用。

B. 分子动力学模拟

分子动力学直接在实空间追踪原子轨迹。平衡MD（EMD）基于Green-Kubo公式，非平衡MD（NEMD）用温度梯度产生热流。谱分解方法包括时间域简正模式分析（TDNMA）、Green-Kubo模态分析（GKMA）、时间域直接分解法（TDDDM）、频率域直接分解法（FDDDM）和谱热流（SHC）。这些方法可得到模态或频率分辨的界面热导。MD自然包含全阶非谐性，能揭示非弹性散射对界面热导的贡献。例如，在Ar/heavy-Ar界面，非弹性散射增强整个频率谱的透射，在高温下贡献显著。MD还可用于固液界面，如Cu/water界面压力依赖性、自组装单分子层（SAM）功能化增强等。

C. 微米和介观尺度建模

微米尺度采用玻尔兹曼输运方程（BTE）求解器，如GiftBTE、JAX-BTE等。这些工具可模拟FinFET、GAAFET等器件中的声子输运，考虑热点和弹道输运效应。然而，界面处理通常简化为边界条件，如DMM，忽略微结构和非弹性散射。尽管如此，与原子模拟结合可平衡效率与精度。

IV. 实验光谱技术

A. 频域热反射（FDTR）

FDTR采用泵浦-探测配置，用连续波激光调制频率扫描，通过锁相放大器测量相位信号，拟合热传导模型提取热导和界面热导。FDTR广泛用于测量固/固、固/液界面，例如Au/HKUST-1界面水吸附可调节界面热导。宽带FDTR（BB-FDTR）可测量声子平均自由程谱，揭示弹道-扩散转变。

B. 时域热反射（TDTR）

TDTR在固定调制频率下测量延迟时间信号。其热传递模型与FDTR类似。TDTR可测量各向异性热导率，如光束偏移TDTR、非对称光束TDTR。TDTR与BTE结合可提取界面声子透射系数，例如Al/Si界面低频模式贡献比DMM预测大。TDTR还用于研究界面键合、表面润湿、分子层等对界面热导的调控。

C. 先进光谱方法

扫描透射电子显微镜结合电子能量损失谱（STEM-EELS）可进行纳米尺度振动测量，直接观察局域界面声子模式。四维EELS（4D EELS）同时获得高动量和高空间分辨率。EELS还可测量界面温度分布。此外，超快电子衍射与机器学习结合可重建频率分辨的声子透射系数。

V. 人工智能用于界面热输运

A. 基于机器学习势的分子动力学

机器学习势（MLP）兼具第一性原理精度和经典势效率。通过构建数据集和训练神经网络，MLP能准确描述界面原子相互作用。MLP-MD在Si/diamond、AlN/Cu等界面得到与实验更一致的界面热导。MLP还可用于复杂体系如GaN/AlN、Cu/water等，并能实现多尺度模拟。

B. 利用人工智能工具直接预测界面热导

通过构建适当的描述符，机器学习模型可预测界面热阻。例如，基于晶体结构参数和元素性质预测ITR，决策树识别重要描述符。卷积神经网络（CNN）筛选β-Ga₂O₃衬底材料。贝叶斯优化结合MD优化界面结构，如Si/Al界面混合区可提升界面热导50%。深度学习也可映射温度分布设计固液界面。

VI. 展望与未来挑战

A. 弥合模拟与实验之间的差距

原子模拟受限于近似和计算成本，实验大多提供积分界面热导。需要开发标准化基准体系，MLP与BTE结合的多尺度框架，以及具有物理信息的边界条件。

B. 极端条件下的界面热输运

高温下非谐效应显著，NEGF显示非弹性贡献随温度增加。高压可改变界面接触和振动耦合，如金属/水界面ITC非单调变化。辐射引入缺陷和混合。需要开发适用于极端条件的势函数和实验平台。

C. 下一代技术中的界面热输运

GaN和Ga₂O₃功率器件中近结热管理是关键，GaN/金刚石界面声子谱分析指导界面工程。热界面材料中SAM功能化可增强固液界面热导。电池中电极/电解质界面随循环演化。多尺度模拟结合AI优化将实现预测性设计。