基于机器学习互原子势的硅-金刚石界面热导率精确估计
材料科学
2024-07-23 v1 介观与纳米尺度物理
摘要
硅-金刚石界面上的热管理对于推进高性能电子和光电子器件至关重要。本研究使用基于密度泛函理论（DFT）数据训练的机器学习（ML）互原子势计算硅-金刚石之间的界面热导率。通过非平衡分子动力学（NEMD）仿真，我们计算了 various system sizes 的界面热导率（ITC）。我们的结果显示，与使用传统半经验势（如 Tersoff 和 Brenner）获得的结果相比，结果与实验数据更吻合；后者将 ITC 高估约 3 倍。在此基础上，我们分析了频率依赖的热传递谱，提供了关于不同声子模式对界面热导率贡献的见解。该 ML 势准确地捕捉了声子色散关系和寿命，与 DFT 计算和实验观察良好一致。它显示，Tersoff 势预测更高的声子群速度和声子寿命，与 DFT 结果不一致。此外，它预测更高的界面键合强度，这与相对于 ML 势更高的界面热导率相符。这一研究突显了使用 ML 互原子势来提高复杂材料系统中热传导模拟的准确性和计算效率的作用。
引用
@article{arxiv.2407.15404,
title = {Accurate estimation of interfacial thermal conductance between silicon and diamond enabled by a machine learning interatomic potential},
author = {Ali Rajabpour and Bohayra Mortazavi and Pedram Mirchi and Julien El Hajj and Yangyu Guo and Xiaoying Zhuang and Samy Merabia},
journal= {arXiv preprint arXiv:2407.15404},
year = {2024}
}