用于发现非周期超晶格中意外热导率增强的迭代机器学习方法
介观与纳米尺度物理
2020-12-17 v1
摘要
尽管机器学习（ML）在已知物理下优化材料属性已显示出日益增长的效力，但由于其插值性质，其在挑战传统观念并发现新物理方面的应用仍具挑战性。在本工作中，我们通过实施一种自适应ML加速搜索过程来展示ML在此类应用中的潜力，该过程可发现非周期超晶格（SLs）中相较于周期超晶格的意外晶格热导率（）增强而非降低。我们使用非平衡分子动力学（NEMD）模拟对搜索空间中一小部分SLs的进行高保真计算，并结合卷积神经网络（CNN）可快速预测大量结构的。为确保CNN对目标未知结构的准确预测，我们迭代地识别含有导致局域热输运增强的结构特征的非周期SLs，并将其作为每轮迭代中CNN的额外训练数据。结果，我们的CNN能准确预测初始训练数据集中缺失的非周期SLs的高，从而使我们能够识别先前未见过的异常结构。所识别的RML结构由于紧密间距界面的存在而表现出相干声子对热导率的贡献增加。我们的工作描述了一种通用机器学习方法，用于在极大子空间内识别低发生概率的异常解并发现潜在物理。
引用
@article{arxiv.2012.08657,
title = {An iterative machine learning approach for discovering unexpected thermal conductivity enhancement in aperiodic superlattices},
author = {Prabudhya Roy Chowdhury and Xiulin Ruan},
journal= {arXiv preprint arXiv:2012.08657},
year = {2020}
}