PINK：面向晶格热导率的物理信息驱动机器学习

晶格热导率（$\kappa_L$）是高效热管理电子和能源转换技术的关键因素。传统方法预测 $\kappa_L$ 往往计算昂贵，限制了其在大规模材料筛选中的可扩展性。经验模型，如 Slack 模型，提供了更快的替代方案，但需要耗时的计算来获取声速和 Gruneisen 参数等关键参数。本 work 提出了高通量框架，物理信息驱动的 $\kappa$（PINK），将晶体图卷积神经网络（CGCNN）的预测能力与 Slack 模型的物理可解释性相结合，直接从晶体学信息文件（CIFs）预测 $\kappa_L$。不同于以往方法，PINK 通过从 CIFs 中提取材料属性（如体积模量和剪切模量）使用经过训练的 CGCNN 模型，实现了快速、批量预测。这些属性随后用于通过简化物理公式计算 $\kappa_L$ 所需的必要参数。PINK 应用于 377,221 种稳定材料的数据集，实现了对具有超低 $\kappa_L$ 值的候选材料的高效识别，如 Ag$_3$Te$_4$W 和 Ag$_3$Te$_4$Ta。该平台通过用户友好的界面提供了前所未有的速度、精度和可扩展性的组合，显著加速了热管理和能源转换应用中的材料发现。