KappaFormer：基于跨域迁移学习的晶格热导率物理感知 Transformer

机器学习已广泛用于预测材料属性。然而，高效预测晶格热导率（$\kappa_\mathrm{L}$）仍然是长期以来的挑战，主要源于稀缺的高质量训练数据。本文引入KappaFormer，一种将$\kappa_\mathrm{L}$的谐波-无谐分解嵌入网络中的物理感知 Transformer 架构。KappaFormer由在大规模弹性属性数据上预训练的谐波分支和在有限实验$\kappa_\mathrm{L}$数据上微调的无谐分支组成，实现有效的知识迁移和增强的泛化能力。利用KappaFormer进行高通量筛选，发现多个具有超低$\kappa_\mathrm{L}$的候选材料，进一步通过第一性原理计算予以验证。物理可解释性进一步阐明了支配热传导抑制的振动机制，将结构图案与强无谐性联系起来。这一研究为加速新材料的发现提供了一个可推广的物理导向机器学习框架。