Entschlüsselung des thermischen Transports in Verbindung mit atomistischen Strukturen in amorphem Galliumoxid durch maschinelles Lernen kombiniert mit Experimenten

Die thermischen Transporteigenschaften amorpher Materialien sind entscheidend für ihre aufkommenden Anwendungen in Energie- und Elektronikgeräten. Das Verständnis und die Kontrolle des thermischen Transports in ungeordneten Materialien bleibt jedoch eine herausragende Herausforderung aufgrund der intrinsischen Einschränkungen rechnerischer Techniken und des Mangels an physikalisch intuitiven Beschreibern für komplexe atomistische Strukturen. Hier wird gezeigt, wie die Kombination von maschinenlern-basierten Modellen und experimentellen Beobachtungen dazu beitragen kann, realistische Strukturen, thermische Transporteigenschaften und Struktur-Eigenschafts-Karten für ungeordnete Materialien genau zu beschreiben, was durch eine praktische Anwendung auf Galliumoxid veranschaulicht wird. Zuerst werden die experimentellen Beweise berichtet, die zeigen, dass maschinenlern-generierte interatomare Potenziale, die in einer selbstgesteuerten Weise mit minimalen quantenmechanischen Berechnungen erzeugt wurden, das genaue Modellieren von amorphem Galliumoxid und dessen thermischen Transporteigenschaften ermöglichen. Die atomistischen Simulationen zeigen dann die mikroskopischen Veränderungen in der Kurz- und Mittelreichweite mit der Dichte und verdeutlichen, wie diese Veränderungen die Lokalmodus verringern und den Beitrag der Kohärenz zum Wärmetransport erhöhen können. Schließlich wird ein physik-inspirierter struktureller Beschreiber für ungeordnete Phasen vorgeschlagen, mit dem die zugrunde liegende Beziehung zwischen Strukturen und thermischen Leitfähigkeiten in linearer Form vorhergesagt wird. Diese Arbeit könnte Licht auf die zukünftige beschleunigte Erforschung der thermischen Transporteigenschaften und Mechanismen in ungeordneten funktionalen Materialien werfen.