Compreender as propriedades intrínsecas de transporte térmico de nanofios semicondutores ultrafinos com diâmetros variados é crucial para o gerenciamento térmico eficiente de dispositivos nanoeletrônicos de próxima geração. Aqui, desenvolvemos um potencial de aprendizado de máquina (MLP) de alta fidelidade dentro da estrutura de potencial de neuroevolução de quarta geração para elucidar a interação entre evolução estrutural, comportamento de transição amorfa e transporte térmico em nanofios de silício (SiNWs), resolvendo discrepâncias de longa data entre simulações e experimentos. A estrutura dos SiNWs abaixo de 1,1 nm de diâmetro passa por uma transformação amorfa completa, que se origina de uma estrutura superficial amorfa de 5-6 camadas atômicas. Identificamos uma dependência não monotônica da condutividade térmica em relação ao diâmetro do nanofio devido à competição entre os processos de dispersão de fônons N (Normal) e U (Umklapp). Em frequências <1 THz, as taxas de dispersão do processo N superam as taxas do processo U em 3 ordens de grandeza em SiNWs ultrafinos, possibilitando um transporte de fônons semelhante ao de um fluido. Este estudo destaca o potencial transformador do MLP de alta fidelidade na resolução de comportamentos complexos de materiais em nanoescala.
Xu et al. (Wed,) estudaram esta questão.