机器学习原子间势预测金属-金刚石界面的热边界电导
材料科学
2024-05-24 v2
摘要
金属-金刚石界面的热边界电导（TBC）对未来基于金刚石的超宽禁带半导体器件的热管理至关重要。分子动力学是预测TBC的先进方法，但受限于缺乏描述金属-金刚石界面的可靠势函数。本工作报道了机器学习原子间势的发展，并利用非平衡分子动力学预测了多种具有技术应用前景的金属-金刚石界面的TBC。经量子修正后，预测的Al-、Mo-、Zr-和Au-金刚石界面的TBC分别约为316、88、52和55 MW/m²K。相应的热边界电阻分别相当于0.8微米厚的Al、1.4微米厚的Mo、0.3微米厚的Zr和5.3微米厚的Au。我们还发现，传统的简单模型，如声学失配模型和漫散射失配模型，即使包含了来自第一性原理的全声子色散，也会在很大程度上错误估计TBC值，因为它们无法考虑非弹性透射以及界面结构和成键细节。金属-金刚石界面的量子修正TBC值与金属的量子修正声子热容相关性良好，而非与金刚石的相关。此外，我们对德拜温度和弹性模量的比较分析表明，前者与TBC的相关性更强。这些较低的TBC值在未来金刚石基半导体器件的设计中需要予以考虑。
关键词
引用
@article{arxiv.2404.15465,
title = {Thermal boundary conductance of metal diamond interfaces predicted by machine learning interatomic potentials},
author = {Khalid Zobaid Adnan and Mahesh R. Neupane and Tianli Feng},
journal= {arXiv preprint arXiv:2404.15465},
year = {2024}
}
备注
20 pages, 6 figures