基于机器学习原子间势的 XN4（X=Be、Mg 和 Pt）二维材料的晶格热导率与弹性模量
材料科学
2024-02-08 v1 应用物理
摘要
新近合成的 BeN4 单层引入了被称为富氮二维材料的一类新型二维材料。本研究考察了该族三个成员 BeN4、MgN4 和 PtN4 的各向异性力学与热学性质。为此，基于矩张量势（MTP）方法开发了机器学习原子间势（MLIP），并用于经典分子动力学（MD）模拟。力学性质通过提取应力-应变曲线计算，热学性质通过非平衡分子动力学（NEMD）方法计算。所得结果显示了这些材料的各向异性弹性模量与晶格热导率。一般而言，扶手椅方向的弹性模量与热导率高于锯齿形方向。此外，BeN4 和 MgN4 的弹性各向异性在任意温度下几乎恒定，而 PtN4 该参数随温度升高而降低。本研究结果不仅是机器学习在 MD 模拟中应用的佐证，也提供了这些新发现二维纳米材料基本各向异性力学与热学性质的信息。
引用
@article{arxiv.2212.00263,
title = {Lattice thermal conductivity and elastic modulus of XN4 (X=Be, Mg and Pt) 2D materials using machine learning interatomic potentials},
author = {K. Ghorbani and P. Mirchi and S. Arabha and Ali Rajabpour and Sebastian Volz},
journal= {arXiv preprint arXiv:2212.00263},
year = {2024}
}