机器学习实现对二维衬底界面热边界导纳的鲁棒预测
材料科学
2023-02-22 v1 应用物理
摘要
二维范德瓦耳斯（vdW）材料展现出广泛独特且卓越的性质，包括高电导与高热导，并得益于相对较弱的 vdW 层间键合，能够剥离或生长单层并转移至多种衬底上。然而，同样的 vdW 键也导致二维层与其三维衬底间热边界导纳（TBC）较低，而这是器件中散热与热管理的主要途径，从而可能引发热瓶颈及耗散驱动的性能退化。本文采用第一性原理声子色散结合我们的 2D-3D 玻尔兹曼声子输运模型，计算了 156 个独特 2D/3D 界面对的 TBC，其中许多在文献中尚无报道。随后我们运用机器学习（ML）开发精简预测模型，其中神经网络与高斯过程在完整描述符集上展现出最高预测精度（RMSE 5 MWmK 且 0.99）。接着我们进行敏感性分析以识别最具影响的描述符，包括 vdW 弹簧耦合常数、二维热导率、ZA 声子带宽、ZA 声子共振隙，以及第一范霍夫奇点或玻色峰的频率。在该约简集上，我们通过可迁移性分析发现，决策树算法能对未训练过的材料做出准确预测（RMSE 20 MWmK 且 0.9）。我们的模型可优化选择二维–衬底配对以最大化热传递，并将改善未来二维纳米电子学中的热管理。
引用
@article{arxiv.2301.12639,
title = {Machine learning enables robust prediction of thermal boundary conductance of 2D substrate interfaces},
author = {Cameron Foss and Zlatan Aksamija},
journal= {arXiv preprint arXiv:2301.12639},
year = {2023}
}
备注
10 pages, figure figures, accepted in APL special issue on phonons in vdW materials