用于预测固体热输运性质的机器学习

结构—热性质关联性的定量描述一直是设计具有优异热性能材料的瓶颈。过去十年中，基于密度泛函理论的第一性原理声子计算与玻尔兹曼输运方程已成为预测新材料热导率的常用方法。然而，第一性原理计算对于高通量材料筛选和多尺度结构设计而言成本过高。第一性原理计算在建模热输运性质（例如含缺陷晶体材料、非晶材料以及高温下材料的热输运性质）时也面临若干根本性挑战。过去五年中，机器学习开始在解决这些挑战中发挥作用。本综述对采用机器学习研究热导率的最新进展、未来机遇及剩余挑战进行了全面总结与讨论。在介绍机器学习工作原理与材料结构描述符之后，讨论了近期利用机器学习研究热输运的工作。讨论了机器学习预测热性质的三个主要应用。首先，机器学习被用于解决含缺陷晶体、非晶材料以及高温下声子输运建模中的挑战；机器学习用于构建高保真原子间势，以弥合第一性原理计算与分子动力学模拟之间的鸿沟。其次，机器学习可用于研究热导率与其他性质之间的关联，以实现高通量材料筛选。最后，机器学习是实现目标热导或热导率结构设计的强有力工具。