基于机器学习势与分子动力学的硅晶界结构与晶格热导率研究
计算物理
2021-05-26 v1 材料科学
摘要
在硅中，晶格热导率在热电和微电子器件等广泛应用中起着重要作用。多晶硅中的晶界(GBs)可显著降低晶格热导率，但其对晶格热导率的影响机制尚待阐明。本研究利用机器学习势(MLPs)准确预测了硅中的GB结构、GB能量和GB声子性质。结果表明，由于MLPs源自涵盖多种结构的训练数据集，其能够实现稳健的GB结构搜索。我们还利用大规模微扰分子动力学和声子波包模拟研究了四种GB原子结构下的晶格热传导。结果比较表明，热导率的GB结构依赖性源于GB处的非谐振动，而非GB处的声子透射行为。我们还深入研究了MLPs相对于硅的典型经验势的优势。
引用
@article{arxiv.2105.11959,
title = {Structure and lattice thermal conductivity of grain boundaries in silicon by using machine learning potential and molecular dynamics},
author = {Susumu Fujii and Atsuto Seko},
journal= {arXiv preprint arXiv:2105.11959},
year = {2021}
}
备注
16 pages with 10 figures