基于机器学习分子动力学的非晶碳中热导率的密度依赖性研究
材料科学
2024-12-13 v2
摘要
无定形碳是一种重要的材料类目,用于热管理等应用.然而,对结构对热传导及其背后微观机制影响的系统性理论理解仍不足.本文采用基于高效神经进化势能方法构建的机器学习分子动力学模型,研究了无定形碳中结构依赖性的热导率.通过大规模分子动力学模拟,我们生成了密度从 到 g cm 之间的以 sp 构型为主的纳米孔碳 (NP-C)样品,以及密度从 到 g cm 且具有混合 sp 和 sp 构型的无晶碳 (a-C)样品.通过原子配位数、配对关联函数、角分布函数和结构因子等对其短程和中程有序结构进行表征.运用均匀非平衡分子动力学方法及其关联的量子统计校正方案,我们预测 NP-C 和 a-C 的热导率分别呈线性和超线性密度依赖,与已有实验结果良好吻合.这种不同的密度依赖性归因于 sp 和 sp 构型对谱热容、振动平均自由程和群速度的不同影响.我们还指出,结构有序性在调控无定形碳热导率方面发挥着重要作用.
引用
@article{arxiv.2408.12390,
title = {Density dependence of thermal conductivity in nanoporous and amorphous carbon with machine-learned molecular dynamics},
author = {Yanzhou Wang and Zheyong Fan and Ping Qian and Miguel A. Caro and Tapio Ala-Nissila},
journal= {arXiv preprint arXiv:2408.12390},
year = {2024}
}