机器学习原子间势实现石墨烯/硼烯异质结构中晶格热导率的从头算多尺度建模
材料科学
2020-06-15 v1 计算物理
摘要
凝聚态计算建模的终极目标之一是以最少的经验信息精确计算材料性质。密度泛函理论 (DFT) 等从头算方法在电子性质上提供最佳精度，但仅限于至多几百、最多几千个原子的体系。另一方面，经典分子动力学 (CMD) 模拟与有限元方法 (FEM) 被广泛用于研究更大且更现实的体系，但反过来依赖于经验信息。在此，我们展示基于短时间第一性原理分子动力学轨迹训练的机器学习原子间势 (MLIPs) 能够实现从头算多尺度建模，其中 DFT 模拟可被分层桥接以高效模拟宏观结构。作为案例研究，我们分析了近期实验合成 (Sci. Adv. 2019; 5: eaax6444) 的共面石墨烯/硼烯异质结构的晶格热导率，目前对此尚无可行的经典建模替代方案。我们基于 MLIP 的方法可有效预测石墨烯与硼烯本征相的晶格热导率、复杂石墨烯/硼烯界面的热导，并进而在连续介质层面研究沿异质结构的有效热输运。本工作强调 MLIPs 可通过 DFT/CMD/FEM 模拟的分层使用被有效且便捷地用于实现从头算多尺度建模，从而拓展新型纳米结构计算设计的能力。
引用
@article{arxiv.2006.06794,
title = {Machine-Learning Interatomic Potentials Enable First-Principles Multiscale Modeling of Lattice Thermal Conductivity in Graphene/Borophene Heterostructures},
author = {Bohayra Mortazavi and Evgeny V. Podryabinkin and Stephan Roche and Timon Rabczuk and Xiaoying Zhuang and Alexander V. Shapeev},
journal= {arXiv preprint arXiv:2006.06794},
year = {2020}
}