用于块体六方氮化硼中各向异性热输运的机器学习原子间势

层状材料中高度各向异性的热导率对于电子器件热管理、隔热和热电等广泛应用至关重要。对层状材料各向异性热输运的理解在很大程度上依赖于基于密度泛函理论（DFT）或经验势的原子尺度模拟，然而这些方法要么计算效率低，要么精度不足。近来，机器学习原子间势（MLIPs）正成为弥补这一差距的有力工具。尽管在开发 MLIPs 方面取得了近期进展，但很少有关注构建能够准确预测层状材料热性质的势函数，由于层状材料中高度各向异性的成键和弱范德华相互作用，这比各向同性材料的情况更具挑战性。在此，我们在高斯近似势（GAP）框架内引入了用于具有典型层状结构的块体六方氮化硼（h-BN）的 MLIP。该 GAP 能以 DFT 级别的精度、低数个数量级的计算成本很好地预测块体 h-BN 的高度各向异性声子输运性质和热导率。我们的工作展示了 GAP 重现块体 h-BN 及其他层状材料各向异性势能面细微特征的能力。基于 MLIPs 的原子尺度模拟有望极大促进对层状材料中声子输运的理解及热物理性质的预测。