氮化镓（GaN）神经进化势能的超参数优化与力误差校正——用于预测热导率

作为宽禁带半导体的代表，六方纹锰镓（GaN）因高击穿电压和低单位导通电阻而广泛应用于高功率器件。准确预测六方纹锰镓的热导率是设计电子应用有效热管理系统的前提。基于机器学习的分子动力学仿真为预测大规模系统的热导率提供了可行方法，无需预定义参数。然而，这些方法常因预测力误差大于第一性原理计算结果，导致对本征热导率较高材料的热导率估计偏低，成为其更广泛应用提出了关键挑战。本研究成功开发了用于六方纹锰镓的神经进化势能（NEP），准确预测了其热导率为259 W/m·K，与报告的实验测量值高度吻合。对神经进化势能的超参数进行了基于系统性能量和力量误差、结构特征、计算效率的分析，以实现优化。进一步实施了力预测误差校正方法，通过外推到零力误差极限，有效减少了Langevin热力学中的额外力噪声导致的误差。该研究为推动宽带隙半导体器件的高效热管理技术提供了宝贵的见解并具有重要意义。