基于小数据集的机器学习在石墨烯晶界从头算声子输运中的应用
材料科学
2021-11-12 v3 计算物理
摘要
建立晶界（GBs）的结构-性能关系对于开发下一代功能材料至关重要，但由于其极大的构型空间而受到严重阻碍。人们强烈期望具有低计算成本和高预测能力的原子模拟，但使用经验原子间势的传统模拟和密度泛函理论分别受限于缺乏预测能力和高计算成本。近来出现的机器学习原子间势（MLIP）往往需要大量的训练数据集，使其成为一种不太可行的方法。在此，我们证明用合理设计的小训练数据集训练的 MLIP 能以从头算精度、在可承受的计算成本下预测石墨烯中跨晶界的热输运。特别地，我们采用基于结构单元模型的合理方法，找到一小部分可代表整个构型空间的晶界，从而可作为 MLIP 的高性价比训练数据集。仅发现 5 种晶界就足以代表石墨烯晶界的整个构型空间。利用原子格林函数方法和 MLIP，我们揭示石墨烯中的结构-热阻关系并不遵循“位错密度大导致热阻更大”的通常理解。事实上，在室温下热阻几乎与位错密度无关，而在亚室温下位错密度小时热阻更高。我们用晶界附近的屈曲引起挠曲声子模的强散射来解释这一有趣行为。
引用
@article{arxiv.1909.02386,
title = {Ab initio phonon transport across grain boundaries in graphene using machine learning based on small dataset},
author = {Amirreza Hashemi and Ruiqiang Guo and Keivan Esfarjani and Sangyeop Lee},
journal= {arXiv preprint arXiv:1909.02386},
year = {2021}
}